产业Gautier以达索系统“HomeByMe for Home Retailers”提供个性化客户体验在家居销售中采用全渠道策略，能有力地增进客户交付，促成购买决定。在当前疫情环境下这是促进销售的重要推动力量。2021/03/29 20:03原文链接如何建设基于智能制造的「可持续制造」模式？OECD围绕这套理论构建了一系列标准和程序，而推动可持续制造模式的发展，还需要更加科学的评估方法，帮助制造企业权衡取舍，构建可持续制造体系。2021/03/29 11:01原文链接入门“中关村智用人工智能伙伴计划”报名已开放，八大服务助力AI落地中关村智用人工智能伙伴计划”（简称计划）报名已于2021年3月1日正式开放（报名链接：http://aizgc.org.cn/#/zhiyong/friend），并得到了人工智能产业各界的关注。2021/03/29 18:19原文链接工程快速可微分排序算法PyTorch包，配有自定义C ++和CUDA，性能更好你可以使用 Torchsort 轻松实现 Spearman 等级系数。2021/03/29 15:52原文链接比PyTorch、TensorFlow更快，MindSpore开源一周年升级巨量新特性MindSpore很多的新特性马上要与大家见面了！2021/03/29 15:45原文链接理论谁说GPT只擅长生成？清华、智源等研究力证：GPT语言理解能力不输BERT谁说GPT看不懂人话？GPT：我装的2021/03/29 15:48原文链接  

Mirco Ravanelli 宣布打造新的语音工具包过去了一年多，SpeechBrain 真的如期而至。语音处理技术的进步，是人工智能改变大众的生活的重要一环。深度学习技术的兴起，也让这一领域近年来得到了长足的发展。在过往，该领域的主要方法是为不同的任务开发不同的工具包，对于使用者来说，学习各个工具包需要大量时间，还可能涉及到学习不同的编程语言，熟悉不同的代码风格和标准等。现在，这些任务大多可以用深度学习技术来实现。此前，开发者常用的语音工具有 Kaldi、ESPNet、CMU Sphinx、HTK 等，它们各有各的不足之处。以 Kaldi 为例，它依赖大量的脚本语言，而且核心算法使用 C++ 编写，再加上可能需要改变各种神经网络的结构。即便是拥有丰富经验的工程师，在调试的时候也会经历巨大的痛苦。秉承着让语音开发者更轻松的原则，Yoshua Bengio 团队成员 Mirco Ravanelli 等人曾经开发了一个试图继承 Kaldi 的效率和 PyTorch 的灵活性的开源框架——PyTorch-Kaldi，但据开发成员本人认为「还不够完善」。所以，在一年多前， Mirco Ravanelli 宣布要打造一款新的一体化语音工具包 SpeechBrain。该项目于近日正式开源，鉴于上述背景，SpeechBrain 诞生的主要宗旨是：够简单、够灵活、对用户友好。作为一个基于 PyTorch 的开源一体化语音工具包，SpeechBrain 可用于开发最新的语音技术，包括语音识别、说话者识别、语音增强、多麦克风信号处理和语音识别系统等，且拥有相当出色的性能。团队将其特征概况为「易于使用」、「易于定制」、「灵活」、「模块化」等。对于机器学习研究者来说，SpeechBrain 可轻松嵌入其他模型，促进语音技术的相关研究；对于初学者来说，SpeechBrain 也不难掌握，根据测试，一般开发者仅需要几个小时就能熟悉该工具包的使用。此外，开发团队也发布了很多教程以供参考（https://speechbrain.github.io/tutorial_basics.html）。转发自https://www.jiqizhixin.com/

#化鲲为鹏，我有话说#针对自己的理解，希望能对大家有帮助。之前看到还有其他用户在分享关于pytorch的图像分割本文主要从：主要介绍另外两种不同的图像分割pytorch与图像分割--补充1.图像分割全景分割：它是语义分割和实例分割的结合。如下图所示，每个像素都被分为一类，如果一种类别里有多个实例，会用不同的颜色进行区分，我们可以知道哪个像素属于哪个类中的哪个实例。比如下图中黄色和红色都属于人这一个类别里，但是分别属于不同的实例（人），因此我们可以通过mask的颜色很容易分辨出不同的实例。实例分割：实例分割方式有点类似于物体检测，不过物体检测一般输出的是 bounding box，实例分割输出的是一个mask。实例分割和上面的语义分割也不同，它不需要对每个像素进行标记，它只需要找到感兴趣物体的边缘轮廓就行，比如下图中的人就是感兴趣的物体。该图的分割方法采用了一种称为Mask R-CNN的方法。我们可以看到每个人都是不同的颜色的轮廓，因此我们可以区分出单个个体。至此。

1、简介PyTorch是使用GPU和CPU优化的深度学习张量库。官方链接：https://pytorch.org/类别：中间件2、基础环境类别子项版本获取地址(方法)华为云华为云虚拟机RC3（916）--OSCentOS7.6Kernel4.14软件包Python2.7.5gcc-c++4.8.5wget1.14git1.8.3.1make3.82tar1.26注意：因升级gcc以及python的原因，本文档建议在docker或者chroot下进行操作。3、依赖安装升级gcc到8.3.0版本获取gcc-8.3.0发布包，并解压# wget http://mirror.hust.edu.cn/gnu/gcc/gcc-8.3.0/gcc-8.3.0.tar.gz# tar -xf gcc-8.3.0.tar.gz安装依赖包# yum install -y gmp gmp-devel mpfr mpfr-devel   libmpc libmpc-devel编译安装# cd gcc-8.3.0# ./configure   -enable-checking=release -enable-languages=c,c++ -disable-multilib   --prefix=/usr/local/gcc-8.3.0#nohup make   &# make && make install # cp   /usr/local/gcc-8.3.0/lib64/libstdc++.so.6.0.25 /usr/lib64/# ln -sf libstdc++.so.6.0.25 /usr/lib64/libstdc++.so.6# ln -sf gcc /usr/local/gcc-8.3.0/bin/cc配置环境变量# export PATH_BAK=$PATH# export PATH=/usr/local/gcc-8.3.0/bin/:$PATH检查gcc是否升级成功# gcc --version显示如下信息说明升级成功： 安装Python3.6.8及其插件# yum install -y python36 python36-Cython   python36-devel python36-PyYAML python36-cffi python36-setuptools python36-pip# alias python=python3# pip3 install wheel安装cmake3以及其他依赖包# yum install -y cmake3 openblas-devel   blas-devel m4# ln -sf cmake3 /usr/bin/cmake4、组件编译安装下载pytorch源码,切换到1.2.0标签,并更新第三方代码库# git clone   https://github.com/pytorch/pytorch.git# cd pytorch;# git checkout v1.2.0 -b build# git submodule update --init --recursive编译安装# USE_CUDA=0 USE_DISTRIBUTED=0 USE_MKLDNN=0   BUILD_TEST=0 USE_NNPACK=0 USE_QNNPACK=0 MAX_JOBS=1 python setup.py install5、系统配置无6、测试测试内容：torch库是否可以正常加载并使用注：不要在pytorch目录下进行加载使用# python>>> import torch>>> print(torch.__version__)测试结果：torch可正常加载并使用7、参考信息      https://nmilosev.svbtle.com/compling-arm-stuff-without-an-arm-board-build-pytorch-for-the-raspberry-pihttps://pytorch.org/docs/stable/index.htmlhttps://discuss.pytorch.org/t/installing-pyttorch-on-arm-cortex-a9/26106https://sleef.org/8、FAQQ:为什么要升级gcc到8.3.0？A：pytorch第三方库sleef编译要求gcc版本高于5，否则将编译报错。Q:为什么要升级python到3.6版本？A：pytorch官网说明python2.7、python3.6均是支持的版本，只是参考文档均使用python3，因此此处沿用参考文档使用python3。Q：github说明编译pytorch时需要安装MKL，为什么本文档没有安装？A：MKL是Inter的数字核心函数库，ARM上不需要。Q：Pytorch编译时的环境变量设置的根据是什么？A：USE_CUDA:CUDA是显卡厂商NVIDIA推出的运算平台，lspci查看当前环境未查询到NVIDIA的显卡，因此将其设置为0，表示禁止使用；USE_DISTRIBUTED:该选项是各模块分布式训练功能的开关，暂且关闭，有该场景需要的情况下请打开；USE_MKLDNN:MKLDNN是inter特有的库，ARM不支持，因此关闭；BUILD_TEST:该选项是编译测试模块的开关，为减少多余操作，此处关闭；USE_NNPACK:是神经网络计算的加速包，官网显示其支持ARM64，由于是第三方额外功能，暂且关闭，当需要时可打开；USE_QNNPACK:是一种用于低精度高性能神经网络推理的移动优化库，主要应用于移动设备，因此关闭；MAX_JOBS=1:设置编译时的最大进程数，由于在github issues页面有人出现过由于为设置导致内存不够的情况而编译失败，因此将其设置为1。Q:pytorch编译安装时报如下错误：A:检查gcc和Python的版本是否是要求的版本，不是的话需要更换为指定版本；第一次在执行编译安装命令时，可能读取的是之前低版本的开始文件，升级之后，将之前文件删除，cd pytorch/build && rm * -rf,再次编译即可。Q:pytorch编译成功后，加载使用报错：A:检查当前执行的操作命令是否在pytorch目录下，如果是，退出该目录重新加载使用即可。（pytorch目录下正好有个torch目录，并且目录下也正好有个__init__.py，加载时会优先从当前目录查找，然后才是系统库）