<div class="field field-name-field-news-column-category field-type-taxonomy-term-reference field-label-hidden"><div class="field-items"><div class="field-item even"><a href="/tags/%E6%96%B0%E8%81%9E">新聞</a></div></div></div><div class="field field-name-body field-type-text-with-summary field-label-hidden"><div class="field-items"><div class="field-item even"> <h3><span style="vertical-align: top; color: rgb(0, 0, 255);">重點新聞(1115~1121)</span></h3>
<p><span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);">百度 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 深度學習框架 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> PaddlePaddle </span></strong></span></p>
<p><span style="font-size: 22px;"><strong>百度一口氣發表21項深度學習框架PaddlePaddle新功能,首重輕量版框架、聯合學習模型與低門檻開發套件</strong></span></p>
<p>繼3年前百度開源分散式深度學習框架PaddlePaddle至今,已獲150萬人次使用,日前更在自家開發者大會上,一口氣發布21項新功能,包括了輕量版深度學習框架Paddle Lite 2.0、注重資料隱私的PaddleFL聯合學習框架,以及低門檻深度學習開發套件等。</p>
<p>百度CTO王海峰表示,Paddle Lite 2.0鎖定邊緣裝置的AI推論需求,比如手機、內嵌式或IoT裝置。透過Paddle Lite 2.0,開發者只要用7行程式碼,就能在FPGA晶片上,執行影像辨識模型ResNet-50,並保持低延遲。</p>
<p>另一方面,由於資料隱私日益受重視,百度也推出聯合學習框架PaddleFL。百度指出,聯合學習是加密的去中心化機器學習方法,可針對大量分散的數據來訓練模型,不必經過傳統的集中式資料中心。同時,PaddleFL也支援FedAvg演算法、差分隱私SDG演算法,也可共享演算法研究。</p>
<p>為了降低AI模型開發門檻,百度也發布4款PaddlePaddle開發套件,包括用於自然語言理解的ERNIE、用於影像辨識的PaddleDetection和PaddleSeg,以及用於推薦系統的Elastic CTR。其中,ERNIE是一款預訓練框架,可從多任務學習中累積知識,百度稱ERNIE在NLP基準測試上的表現,較Google BERT和XLNet要好。<a href="https://twitter.com/BaiduResearch/status/1191824365999886336">(詳全文)</a></p>
<p><img alt="" src="https://s4.itho.me/sites/default/files/images/%E5%9C%961_%E7%99%BE%E5%BA%A6ERNIE%E6%9E%B6%E6%A7%8B_%E5%9C%96%E7%89%87%E4%BE%86%E6%BA%90_%E7%99%BE%E5%BA%A6.png" /></p>
<p><span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> Nvidia </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> Magnum IO </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 資料分析處理 </span></strong></span></p>
<p><span style="font-size: 22px;"><strong>速度快20倍!Nvidia推出資料處理軟體Magnum IO </strong></span></p>
<p>鎖定巨量資料處理與高效能運算需求,Nvidia日前推出資料處理軟體Magnum IO,要加速資料科學家的資料處理流程,將原本需要幾小時的流程,縮短為數分鐘。Nvidia指出,Magnum IO突破了儲存和I/O(輸入/輸出)的瓶頸,可在執行複雜的高效能運算任務時,針對多伺服器、多GPU節點的環境,提供快上20倍的資料處理效能。</p>
<p>Nvidia也表示,Magnum IO的核心在於GPUDirect,可讓資料跳過CPU,直接進入GPU和記憶體,簡化傳輸過程。GPUDirect由點對點(P2P)和RDMA技術打造,與許多傳輸連結和API相容,像是NVLink、NCCL、OpenMPI和UCX等。Magnum IO目前已上市,Nvidia也計畫在明年推出GPUDirect Storage,讓使用者在存取資料時,可繞過CPU,直接從儲存系統中取得資料,來進行模擬、分析和視覺化等作業。<a href="https://nvidianews.nvidia.com/news/nvidia-launches-magnum-io-software-suite-to-help-eliminate-data-bottlenecks-for-data-scientists-and-ai-hpc-researchers">(詳全文)</a></p>
<p><span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> 血液透析 </span></strong></span> <span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> 血流量測 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 瘻管阻塞 </span></strong></span></p>
<p><span style="font-size:22px;"><strong>洗腎病友福音!交大研發手持式AI血流量測器,在家就能自我檢測瘻管阻塞</strong></span></p>
<p>交大電機工程系特聘教授趙昌博,日前發表自行研發的非侵入式手持AI血流量測器與App,只要10秒就能偵測洗腎患者的瘻管狀態,不必到大醫院檢查,病患在家就能自己量測。他透露,目前正在準備申請美國FDA驗證,若通過,最快明年上市。</p>
<p>對慢性腎病患者來說,需長期定期洗腎來維持生命。而洗腎前,患者須先在皮膚下方建置動脈瘻管才行。但在瘻管建立的兩年內,8成病人會發生瘻管阻塞,嚴重可能導致尿毒症等致命併發症。而交大開發的手持非侵入式光學血流量測器,可讓民眾自行在家檢測瘻管狀態。團隊利用光體積變化描記圖訊號(PPG)原理,藉血液流動對光吸收的變化,以特殊波長陣列來設計光學感測器,來感應皮下血管血流訊號,但蒐集到的大量資料帶有雜訊,團隊藉AI自動找出血管血流訊號,大幅提高準確度。該AI模型也已於兩家大型教學醫院測試,已累積200筆洗腎病友的量測資料,準確度約91%,接下來要達到1,000筆的測試。<a href="https://www.ithome.com.tw/news/134174">(詳全文)</a></p>
<p><img alt="" src="https://s4.itho.me/sites/default/files/images/%E5%9C%962_%E6%89%8B%E6%8C%81%E5%BC%8FAI%E8%A1%80%E6%B5%81%E6%84%9F%E6%B8%AC%E5%99%A8_%E6%94%9D%E5%BD%B1_%E7%8E%8B%E8%8B%A5%E6%A8%B8.JPG" /></p>
<p><span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> Intel </span></strong></span> <span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> 邊緣運算 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 視覺處理器 </span></strong></span></p>
<p><span style="font-size:22px;"><strong>Intel發表邊緣運算新一代VPU,每瓦推論運算效能比Nvidia TX2高6.2倍</strong></span></p>
<p>Intel日前在AI Summit年會上揭露發表新一代Movidius視覺運算處理器(VPU)Keem Bay,要搶進邊緣運算的市場,也在VPU搭配的軟體工具集OpenVINO中,新增了DevCloud硬體部署測試平臺,企業能直接從雲端上傳訓練好的模型,來測試出最適合該模型的硬體設施。</p>
<p>VPU是Intel 3年前併購Movidius後,所推出的影像分析專用處理器。這次新發表的VPU Keem Bay是第三代VPU,專攻IoT邊緣運算,能推論影像以外的資料,像是語音、社群媒體中的用戶行為等邊緣端非結構化資料。Intel表示,Keem Bay的推論效能為同類產品Nvidia TX2的4倍,也是華為Ascend 310的1.25倍。雖然還比不上Nvidia另一款旗艦產品Xavier,但在同樣表現下,Keem Bay的功耗只有30瓦,約為Xavier的五分之一。<a href="https://www.ithome.com.tw/news/134183">(詳全文)</a></p>
<p><span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> 微軟Bing </span></strong></span> <span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> 圖片搜尋 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 深度學習 </span></strong></span></p>
<p><span style="font-size:22px;"><strong>Bing揭露3大深度學習方法,讓圖片搜尋更精準</strong></span></p>
<p>微軟Bing日前公布改善自家圖片搜尋的深度學習方法,包括了向量配對、屬性配對和最佳特徵搜尋(BRQ)配對。雖然Bing已採用多種深度學習方法來改善圖片搜尋功能,但仍美中不足,比如無法根據上下文或屬性,來精確給出使用者想搜尋的圖片。</p>
<p>於是,Bing團隊想出一個辦法,首先利用向量配對來映射詞彙間的相關性,以Google的自然語言預訓練模型BERT為基礎,來強化語意理解,透過注意力機制(Attention Mechanism)來強化圖片與詞彙的關係。接著利用屬性配對,從使用者輸入的長串關鍵字和圖片特徵中,找出相符的屬性;接著,他們使用BRQ配對,則可將長篇的網頁訊息縮短為一句總結,或是將圖片訊息簡化為最具代表性的描述;這些訊息會嵌入圖片中,並與使用者的搜尋作比對,來給出精確的結果。<a href="https://blogs.bing.com/search-quality-insights/2019/Multi-granularity-matching-for-Bing-Image-Search">(詳全文)</a></p>
<p><img alt="" src="https://blogs.bing.com/BingBlogs/media/SearchQualityInsights/2019/11/VectorMatchImg.png" /></p>
<p><span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;">Google </span></strong></span> <span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> 邊緣運算 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> MobileNetV3 </span></strong></span></p>
<p><span style="font-size:22px;"><strong>Google發表最新邊緣機器學習模型MobileNetV3和MobileNetEdgeTPU </strong></span></p>
<p>Google日前發表兩款邊緣運算模型,分別是:MobileNetV3和MobileNetEdgeTPU,要來提高機器學習模型在裝置上的運算速度,並減少功耗。Google表示,在同樣精準度下,MobileNetV3的運算速度比前一代MobileNetV2快上兩倍,而MobileNetEdgeTPU則提高了模型準確度,同時也減少模型運算時間、降低運算功耗。</p>
<p>這次釋出的兩款模型,都是以AutoML設計、優化產生的。就MobileNetV3來說,除了分類任務,這次還加入了物件偵測模型,與前一代相比,具有低延遲優點。而MobileNetEdgeTPU也具低延遲和高準確度的優點,同樣能在硬體Edge TPU上執行,而且比MobileNetV2和極簡型MobileNetV3還要省功耗,連極簡型MobileNetV3的一半都不到。<a href="https://ai.googleblog.com/2019/11/introducing-next-generation-on-device.html">(詳全文)</a></p>
<p><img alt="" src="https://1.bp.blogspot.com/-8UsBVQ1mRBs/XcxKwKmTPII/AAAAAAAAE8Q/-Vn65WJGuIcMkBN5hn9VZM3nDH3uzsjTwCLcBGAsYHQ/s640/image6.png" /></p>
<p><span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;">GitHub </span></strong></span> <span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> 程式碼代管 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> Arctic Code Vault </span></strong></span></p>
<p><span style="font-size:22px;"><strong>GitHub首個行動程式問世,明年還將啟用可保管程式碼上千年的Arctic Code Vault儲存庫</strong></span></p>
<p>原始碼代管平臺GitHub日前宣布釋出GitHub行動程式測試版,更發表GitHub Arctic Code Vault,號稱可將重要的程式碼保存超過1,000年。GitHub首個應用程式GitHub for mobile主要是用來維持開發者與團隊的聯繫,比如針對某個設計來討論,或檢查程式碼、合併變更等。不過,該應用程式目前只支援iOS測試版,日後將釋出Android版。</p>
<p>另一方面,GitHub也揭露了GitHub Archive Program檔案封存專案,目的是要保存開源碼,讓後代使用。GitHub指出,該專案將使用自家位於北極永凍區200公尺深的程式碼儲存庫Arctic Code Vault,並將於2020年2月2日,拍下每個活躍的公開儲存庫快照,存放在這個儲存庫中。<a href="https://archiveprogram.github.com/">(詳全文)</a></p>
<p>攝影/王若樸</p>
<p>圖片來源/百度、Google、微軟Bing</p>
<p><span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> AI趨勢近期新聞 </span></strong></span></p>
<p><strong>1. 台電半年打造即時系統負載調度輔助工具,用AI預測用電減,少9成人力</strong></p>
<p><strong>2. 微軟開始於Azure提供Graphcore AI晶片雲端服務</strong></p>
<p><strong>3. IntelliCode獲OpenAI GPT-2模型強化,現可提供全行程式碼完成建議</strong></p>
<p><strong>4. 臉書設計出注視點渲染AI DeepFovea,讓VR開發更省運算資源</strong></p>
<p>資料來源:iThome整理,2019年11月</p>
<div id="gtx-anchor" style="position: absolute; visibility: hidden; left: 1144.44px; top: 272.986px; width: 41px; height: 15.5556px;"> </div>
<div aria-describedby="bubble-16" class="jfk-bubble gtx-bubble" role="alertdialog" style="visibility: visible; left: 486px; top: 149px; opacity: 1;">
<div class="jfk-bubble-content-id" id="bubble-16">
<div id="gtx-host" style="min-width: 200px; max-width: 400px;"> </div>
</div>
<div aria-label="Close" class="jfk-bubble-closebtn-id jfk-bubble-closebtn" role="button" tabindex="0"> </div>
<div class="jfk-bubble-arrow-id jfk-bubble-arrow jfk-bubble-arrowdown" style="left: 1144.94px;">
<div class="jfk-bubble-arrowimplbefore"> </div>
<div class="jfk-bubble-arrowimplafter"> </div>
</div>
</div>
</div></div></div>