
В Университете Аалто в Финляндии разработали чипЧитать полностью »

В Университете Аалто в Финляндии разработали чипЧитать полностью »
Компилятор — привычный инструмент для многих разработчиков, но не все сталкивались в работе с тензорным видом. Их частые пользователи — специалисты по машинному обучению и дата-инженеры. В этой статье совершим экскурсию в «зоопарк» тензорных компиляторов, понаблюдаем за их «поведением» и выберем самых функциональных «зверушек». А еще поделимся ссылкой на бесплатный курс о построении и использовании тензорных компиляторов для ускорения вывода глубоких нейронных сетей, который разработан сотрудниками института ИТММ ННГУ им. Н. И. Лобачевского.

TensorFlow 1.0 с моделью нейросети нового поколения Inception поддерживает аппаратное ускорение на DSP Hexagon в мобильных процессорах Qualcomm Snapdradon 820. Скорость работы приложений вроде Prism и программ машинного зрения увеличится в 8 и более раз, а энергопотребление снизится в 4 раза. Фильтры от нейросетей можно будет накладывать на видео почти в реальном времени
На первой конференции для разработчиков TensorFlow Dev Summit компания Google объявила о выходе мажорного релиза библиотеки TensorFlow 1.0, обратно несовместимого с предыдущими версиями. Это значит, что программы, работавшие на версиях TensorFlow 0.n, могут не работать на версии TensorFlow 1.0. Разработчики из Google говорят, что изменения в API были необходимы «для обеспечения внутренне согласованных программных интерфейсов», и больше такого не повторится: ломающих обратную совместимость изменений в будущих версиях 1.x не планируется. Сейчас разработчикам рекомендуется изучить руководство по миграции и использовать скрипт для преобразования.
TensorFlow — свободная программная библиотека для машинного обучения в применении к различным видам задач на восприятие и понимание языка. В данный момент она используется в научно-исследовательской работе и в десятках коммерческих продуктов Google, в том числе в Google Search, Gmail, Photos, Youtube, Translate, Assistant, а так же всевозможных системах распознавания, в том числе распознавания речи.
Читать полностью »
Предыдущая лекция с Data Fest была посвящена алгоритмам, необходимым для построения нового вида поиска. Сегодняшний доклад тоже в некотором смысле про разные алгоритмы, а точнее про математику, лежащую в основе множества из них. О матричных разложениях зрителям рассказал доктор наук и руководитель группы вычислительных методов «Сколтеха» Иван Оселедец.
Под катом — расшифровка и большинство слайдов.

Брайан Свингл изучал физику в аспирантуре Массачусетского технологического института, когда он решил сходить на парочку занятий по теории струн, чтобы усовершенствовать своё образование – как он сам вспоминает, по принципу «почему бы и нет» – хотя изначально он не обращал внимания на концепции, с которыми он познакомился на этом курсе. Но погружаясь глубже, он начал замечать неожиданные связи с его собственной работой, в которой он использовал т.н. тензорные сети для предсказания свойств экзотических материалов и подход к физике чёрных дыр и квантовой гравитации, взятый из теории струн. «Я понял, что происходит нечто удивительное»,- говорит он.
Тензоры периодически неожиданно возникают в разных областях физики – это математические объекты, которые могут представлять множество чисел сразу. К примеру, вектор скорости – это простейший тензор: он включает как скорость, так и направление. Более сложные тензоры, связанные в сети, можно использовать для упрощения подсчетов для сложных систем, составленных из множества взаимодействующих частей – включая замысловатые взаимодействия огромного количества субатомных частиц, составляющих материю.
Читать полностью »