AKG(Auto Kernel Generator)对深度神经网络中的算子进行优化，并提供特定模式下的算子自动融合功能。AKG与MindSpore的图算融合功能协同工作，可提升在不同硬件后端上运行网络的性能。AKG由三个基本的优化模块组成：规范化、自动调度和后端优化。规范化： 为了解决polyhedral表达能力的局限性（只能处理静态的线性程序），需要首先对计算公式IR进行规范化。规范化模块中的优化主要包括自动运算符inline、自动循环融合和公共子表达式优化等。自动调度： 自动调度模块基于polyhedral技术，主要包括自动向量化、自动切分、thread/block映射、依赖分析和数据搬移等。后端优化： 后端优化模块的优化主要包括TensorCore使能、双缓冲区、内存展开和同步指令插入等。

Ascend CANN Parser（简称parser）配合TF_Adapter、 ATC工具、IR构图等使用，开发者通过以上工具，借助parser能方便地将第三方框架的算法表示转换成Ascend IR，充分利用昇腾AI处理器卓越的运算能力。

X2Paddle支持将其余深度学习框架训练得到的模型，转换至PaddlePaddle模型。X2Paddle是飞桨生态下的模型转换工具，致力于帮助其它深度学习框架用户快速迁移至飞桨框架。目前支持推理模型的框架转换与PyTorch训练代码迁移，我们还提供了详细的不同框架间API对比文档，降低开发者上手飞桨核心的学习成本。目前已经支持Caffe/TensorFlow/ONNX/PyTorch四大框架的预测模型的转换，PyTorch训练项目的转换，涵盖了目前市面主流深度学习框架。支持的模型丰富丰富，在主流的CV和NLP模型上均支持转换，涵盖了19+个Caffe预测模型转换、27+个TensorFlow预测模型转换、32+个ONNX预测模型转换、27+个PyTorch预测模型转换、2+个PyTorch训练项目转换

OpenMLDB是一个开源机器学习数据库，面向机器学习应用提供正确、高效数据供给。OpenMLDB 致力于解决 AI 工程化落地的数据治理难题，并且已经在上百个企业级人工智能场景中得到落地。OpenMLDB 优先开源了特征数据治理能力，依托 SQL 的开发能力，为企业级机器学习应用提供线上线下计算一致、高性能低门槛的生产级特征平台

Coursera吴恩达机器学习课程整理

预训练语言模型(PLMs)是在大规模语料库上以自监督方式进行预训练的语言模型。在过去的几年中，这些PLM从根本上改变了自然语言处理社区。在本教程中，我们旨在从两个角度提供广泛而全面的介绍:为什么这些PLM有效，以及如何在NLP任务中使用它们。本教程的第一部分对PLM进行了一些有见地的分析，部分解释了PLM出色的下游性能。第二部分首先关注如何将对比学习应用于PLM，以改进由PLM提取的表示，然后说明如何在不同情况下将这些PLM应用于下游任务。这些情况包括在数据稀缺的情况下对PLM进行微调，以及使用具有参数效率的PLM。我们相信，不同背景的与会者会发现本教程内容丰富和有用。

TF Model building/training/evaluating for simple nlp task just by params configuration, training/evaluating monitor and params configure GUI with streamlit.

人工智能PPT，，，，哈工大 赵老师，，，，，智能搜索算法 人工智能PPT，，，，哈工大 赵老师，，，，，智能搜索算法 人工智能PPT，，，，哈工大 赵老师，，，，，智能搜索算法

python本科毕业设计基于深度学习的人脸识别考勤系统。具备基础的人脸录入，人脸识别，考勤管理，课堂管理，班级管理，日志管理等功能。此Python项目是整体项目的人脸识别部分，基于深度学习的FaceNet算法，对人脸特征进行提取，判断是否输入。python本科毕业设计基于深度学习的人脸识别考勤系统。具备基础的人脸录入，人脸识别，考勤管理，课堂管理，班级管理，日志管理等功能。此Python项目是整体项目的人脸识别部分，基于深度学习的FaceNet算法，对人脸特征进行提取，判断是否输入。python本科毕业设计基于深度学习的人脸识别考勤系统。具备基础的人脸录入，人脸识别，考勤管理，课堂管理，班级管理，日志管理等功能。此Python项目是整体项目的人脸识别部分，基于深度学习的FaceNet算法，对人脸特征进行提取，判断是否输入。python本科毕业设计基于深度学习的人脸识别考勤系统。具备基础的人脸录入，人脸识别，考勤管理，课堂管理，班级管理，日志管理等功能。此Python项目是整体项目的人脸识别部分，基于深度学习的FaceNet算法，对人脸特征进行提取，判断是否输入。

基于Tensorflow车牌识别的完整项目全部源代码.zip 主要识别流程 车牌定位：使用 opencv 库函数进行形态学操作，初步定位车牌位置，得到预选区域 车牌筛选：通过训练好的卷积神经网络，对预选区域进行进一步筛选，得到较准确的车牌图片 字符分割：对车牌图片再次进行形态学操作，然后将车牌图片上的字符分割开 字符识别：最后再用卷积神经网络识别字符，输出结果 车牌筛选 和 字符识别 使用不同的卷积神经网络 基于Tensorflow车牌识别的完整项目全部源代码.zip 操作步骤 首先搭建 Python 3.6.13 的基础环境 然后通过 pip 导入 requirements.txt 中所需的 Python 包 运行 cnn_plate.py 和 cnn_char.py 进行模型的训练 调整 lpr_main.py 中模型的路径，最后运行，输出结果 基于Tensorflow车牌识别的完整项目全部源代码.zip基于Tensorflow车牌识别的完整项目全部源代码.zip基于Tensorflow车牌识别的完整项目全部源代码.zip