学术界人工智能研究落后于工业界
摘要
- 行业或工业界在人工智能研究上超出学术界,并占据着大量的计算力,数据集和人才
- 诱人的薪水和明朗的预期吸引大量人才离开学术界,涌入行业或工业界
- 即使,比如Meta开源其人工智能模型,众多学者或专家仍然无法对其核心部分一探究竟。
- 行业或工业界和学术界需要互惠互利,因为学术界从事底层基础理论研究,行业界在此基础上开始研发顶尖技术。
- 中国,美国和德国都在加速人工智能研究。
各国AI研究
行业人工智能研究
摘要
- 自监督方式学习图像表示算法应用于图像分割网络语义分割
- 随机配置网络算法
- 炉温预测模型
- 非侵入式负载监控算法模型
- 时间序列处理随机配置网络算法
Python自监督方式学习图像表示算法
图像视觉转换
import math
import numpy as np
import torch
import torch.nn as nn
import fastcore.all as fc
from PIL import Image
from functools import partial
from torchvision.transforms import RandomResizedCrop, RandomHorizontalFlip, Compose, ToTensor, ToPILImage
让我们创建一个大小为 224x224 且补丁大小为 16 的图像
img_size = 224
patch_size = 32
加载数据
imgs = fc.L(fc.Path("coco/val2017/").glob("*.jpg"))
imgs #(#5000) [Path('coco/val2017/000000182611.jpg'),Path('coco/val2017/000000335177.jpg'),Path('coco/val2017/000000278705.jpg'),Path('coco/val2017/000000463618.jpg'),Path('coco/val2017/000000568981.jpg'),Path('coco/val2017/000000092416.jpg'),Path('coco/val2017/000000173830.jpg'),Path('coco/val2017/000000476215.jpg'),Path('coco/val2017/000000479126.jpg'),Path('coco/val2017/000000570664.jpg')...]
转换
def transforms(img_size):return Compose([RandomResizedCrop(size=img_size, scale=[0.4, 1], ratio=[0.75, 1.33], interpolation=2), RandomHorizontalFlip(p=0.5), ToTensor()])def load_img(img_loc, transforms):img = Image.open(img_loc)return transforms(img)load_img = partial(load_img, transforms=transforms(img_size=img_size))
img = load_img(imgs[1])
img.shape #torch.Size([3, 224, 224])
创建图像补丁
imgp = img.unfold(1, patch_size, patch_size).unfold(2, patch_size, patch_size).permute((0, 3, 4, 1, 2)).flatten(3).permute((3, 0, 1, 2))
imgp.shape #torch.Size([49, 3, 32, 32])
fig, ax = plt.subplots(figsize=(4, 4), nrows=7, ncols=7)
for n, i in enumerate(imgp):ax.flat[n].imshow(ToPILImage()(i))ax.flat[n].axis("off")
plt.show()
创建屏蔽标记
tokens = imgp.shape[0]
mask_ratio = 0.75
mask_count = int(tokens* mask_ratio)
tokens, mask_count #(49, 36)
mask_idx = torch.randperm(tokens)[:mask_count]
mask = torch.zeros(tokens).long()
mask[mask_idx] = 1
mask
#tensor([1, 1, 1, 1, 1, 1, 1, 0, 1, 0, 1, 1, 0, 1, 0, 1, 1, 1, 0, 1, 0, 1, 1, 1,
# 0, 0, 1, 1, 1, 1, 1, 1, 1, 0, 1, 1, 0, 1, 0, 1, 1, 1, 1, 0, 1, 1, 1, 1,
# 0])
fig, ax = plt.subplots(figsize=(4, 4), nrows=7, ncols=7)
for n, i in enumerate(imgp):if mask[n] == 1:i = torch.zeros(3, 32, 32)ax.flat[n].imshow(ToPILImage()(i))ax.flat[n].axis("off")
plt.show()
为每个非屏蔽标记创建嵌入向量。
input_tokens = imgp[~mask.bool(), ...].flatten(1)
input_tokens.shape
imgp[~mask.bool(), ...].shape