开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

使用预训练VGG的多数据流CNN

是一种基于深度学习的图像识别方法。下面是对该问答内容的完善和全面的答案：

预训练VGG是指使用在大规模图像数据集上预训练好的VGG模型作为初始模型，然后通过微调或迁移学习的方式，将其应用于特定的图像识别任务中。VGG是一种经典的卷积神经网络模型，由牛津大学的研究团队提出，其特点是具有较深的网络结构和较小的卷积核尺寸。

多数据流CNN是指在图像识别任务中，同时利用多个数据流进行训练和特征提取的方法。每个数据流可以使用不同的输入数据，例如不同尺度的图像或不同的图像增强方式。通过将多个数据流的特征进行融合，可以提高模型的性能和鲁棒性。

使用预训练VGG的多数据流CNN在图像识别任务中具有以下优势：

预训练VGG模型具有较好的特征提取能力，可以提取出图像中的高级语义特征，有助于提高模型的准确性。
多数据流的使用可以增加模型对不同尺度和变化的图像的适应能力，提高模型的鲁棒性。
通过融合多个数据流的特征，可以综合利用不同数据流的优势，进一步提高模型的性能。

预训练VGG的多数据流CNN在实际应用中有广泛的应用场景，包括但不限于：

图像分类：通过对图像进行分类，识别图像中的物体或场景。
目标检测：在图像中定位和识别多个目标物体。
人脸识别：对人脸图像进行识别和验证。
图像分割：将图像分割成不同的区域，实现对图像的精细理解。

腾讯云提供了一系列与图像识别相关的产品和服务，可以用于支持使用预训练VGG的多数据流CNN的开发和部署。以下是一些推荐的腾讯云产品和产品介绍链接地址：

腾讯云图像识别（https://cloud.tencent.com/product/tii）：提供了丰富的图像识别能力，包括图像分类、目标检测、人脸识别等。
腾讯云机器学习平台（https://cloud.tencent.com/product/tensorflow）：提供了强大的机器学习和深度学习平台，支持使用预训练模型和自定义模型进行图像识别任务的开发和训练。
腾讯云对象存储（https://cloud.tencent.com/product/cos）：提供了高可靠性和高可扩展性的对象存储服务，用于存储和管理大规模的图像数据集。
腾讯云容器服务（https://cloud.tencent.com/product/tke）：提供了高性能和高可靠性的容器服务，用于部署和管理使用预训练VGG的多数据流CNN模型。

通过以上腾讯云产品和服务的组合，开发者可以方便地构建和部署使用预训练VGG的多数据流CNN模型，并应用于各种图像识别任务中。

相关搜索:用于多输出模型的预训练CNN 无法在Fastai中使用预训练的VGG16模型 TypeError：(‘未理解关键字参数：’，‘输入’)来自VGG16的预训练模型的CNN 使用Pytorch从.ckpt文件加载预训练(CNN)模型基于预训练模型的Mask R-CNN训练时间分配 KERAS: CNN模型的预训练，并将其用于CNN-LSTM模型加载预训练模型VGG-16时出现的问题 Keras预训练的VGG16准确率低 Tensorflow预训练CNN:预测图像的相同类别使用预训练模型(Keras，Tensorflow)，Mask R-CNN的最佳图像大小，更快的R-CNN 为什么模型不能在keras中使用预训练的vgg16进行学习？如何移除vgg16预训练模型中的最后两层在更快的R-CNN中预训练网络的目的是什么？使用预训练的BERT模型进行错误多类文本分类使用支持向量机分类器作为预训练模型(VGG16)的最后一层使用colab的VGG16训练返回警告:根:内核使用Docker的Transformers - Load预训练模型当用作预训练的特征提取器时，VGG16应该提取多少特征？如何在pytorch中加载改进的vgg19网络中的预训练权重？CNTK:使用预训练嵌入初始化的训练嵌入层？

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

基于计算机视觉的棋盘图像识别

我们利用计算机视觉技术和卷积神经网络（CNN）为这个项目创建分类算法，并确定棋子在棋盘上的位置。最终的应用程序会保存整个图像并可视化的表现出来，同时输出棋盘的2D图像以查看结果。

01

基于OpenCV的棋盘图像识别

我们利用计算机视觉技术和卷积神经网络（CNN）为这个项目创建分类算法，并确定棋子在棋盘上的位置。最终的应用程序会保存整个图像并可视化的表现出来，同时输出棋盘的2D图像以查看结果。

02

基于计算机视觉的棋盘图像识别

我们利用计算机视觉技术和卷积神经网络（CNN）为这个项目创建分类算法，并确定棋子在棋盘上的位置。最终的应用程序会保存整个图像并可视化的表现出来，同时输出棋盘的2D图像以查看结果。

03

什么是迁移学习（Transfer Learning）？【精讲+代码实例】

我们一直听过一句话叫，“如果说我看得比别人更远些，那是因为我站在巨人的肩膀上。（If I have seen further, it is by standing on the shoulders of giants.）”。“站在巨人的肩膀上”，不仅能看得更远,还能看到更多。这也用来表达我们要善于学习先辈的经验, 一个人的成功往往还取决于先辈们累积的知识。这句话, 放在机器学习中, 这就是今天要说的迁移学习（transfer learning）。

01

图解计算机结构与体系分类！！

作者个人研发的在高并发场景下，提供的简单、稳定、可扩展的延迟消息队列框架，具有精准的定时任务和延迟队列处理功能。自开源半年多以来，已成功为十几家中小型企业提供了精准定时调度方案，经受住了生产环境的考验。为使更多童鞋受益，现给出开源框架地址：

02

计算机体系机构是什么？

计算机体系结构是指计算机硬件系统的结构和组织方式。它包括计算机内部的各种组件，如中央处理器（CPU）、内存、输入输出设备等等。计算机体系结构决定了计算机硬件如何进行数据处理、控制流和计算。计算机体系结构可以从多个角度进行分类，最常见的分类方式是基于指令集架构（Instruction Set Architecture, ISA），到底有哪些呢，下面研究一番。

01

图像预训练模型的起源解说和使用示例

三十多年来，许多研究人员在图像识别算法和图像数据方面积累了丰富的知识。如果你对图像训练感兴趣但不知道从哪里开始，这篇文章会是一个很好的开始。这篇文章简要介绍了过去的演变，并总结了现在的一些热门话题。

05

图像预训练模型的起源解说和使用示例

来源：Deephub Imba本文约3500字，建议阅读14分钟本文文章简要介绍了研究人员在图像识别算法和图像数据方面的演变，并总结了现在的一些热门话题。三十多年来，许多研究人员在图像识别算法和图像数据方面积累了丰富的知识。如果你对图像训练感兴趣但不知道从哪里开始，这篇文章会是一个很好的开始。这篇文章简要介绍了过去的演变，并总结了现在的一些热门话题。 ImageNet 预训练模型迁移学习（热门话题）使用预训练模型识别未知图像 PyTorch ImageNet 的起源在 2000 年代初期，大多数

02

【综述】基于Transformer的视频语言预训练

Survey: Transformer based Video-Language Pre-training

01

音视频技术开发周刊 55期

📷 『音视频技术开发周刊』由LiveVideoStack团队出品，专注在音视频技术领域，纵览相关技术领域的干货和新闻投稿，每周一期。点击『阅读原文』，浏览第55期内容，祝您阅读愉快。策划 / LiveVideoStack 架构展晓凯：“零经验”的我与唱吧从零到四亿正如展晓凯总结的那样，一个技术人或团队的成功离不开业务打下的基础，业务高层的高瞻远瞩以及对技术的敬畏，以及技术人的学习与探索精神。LiveVideoStack对全民快乐研发高级总监展晓凯进行了邮件采访，他总结了在与唱吧从零成长的历程。作为一个

02

【软考学习4】计算机构成——CPU 结构、Flynn 分类法、CISC和RISC

全名复杂指令系统计算机，Complex InstrucTIon Set Computer。

01

RealityKit与SIMD单指令多数据流

在Swift 5中Apple发布了大量基于SIMD改进的API，并且新的RealityKit，我们操作虚拟物体的位置、角度，都需要通过simd库来进行了。

03

【2018】笔试题笔记

1. 下列排序算法中稳定且时间复杂度为O(n2)的是（冒泡排序） 2. 在分块查找中，若索引表各块内均用顺序查找，则有324个元素线性表若分成9块，其平均查找长度为（23.5） 324个元素，

04

【愚公系列】软考高级-架构设计师 010-计算机体系结构

计算机体系结构是指计算机系统的设计与组织，它包括计算机系统的各个组成部分及其相互之间的关系。这个概念既涵盖了硬件的物理结构，也包括了软件的逻辑框架，是计算机能够执行任务的基础。计算机体系结构的设计决定了系统的性能、能效、成本以及编程复杂性等多个方面。

02

在定制硬件上实现DNN近似算法，一文概述其过去、现在与未来

来自社交媒体和物联网等多个渠道的可用数字数据（如图像、视频和语音）呈指数级增长，这驱动了对高性能数据分析的需求。与其它机器学习算法相比，深度神经网络（DNN）在过去十年里实现了巨大的准确率提升。它的应用领域很广，如图像分类、目标检测、自动驾驶和无人机导航等。其中卷积神经网络和循环神经网络这两种深度神经网络尤其受欢迎。CNN 在学习空间特征方面很强，而 RNN 则更适合涉及时间序列的问题。

01

手机实时人工智能之「三维动作识别」:每帧只需9ms

本文提出了一种用于三维卷积神经网络（3D CNN）的模型压缩和移动加速框架 RT3D，通过结合神经网络权重剪枝和编译器代码优化技术，使模型的端到端运行时间与目前支持 3D CNN 的移动框架相比速度提升高达 29.1 倍，准确性损失仅为 1％~1.5％。当在手机上采用 C3D 或 R(2+1)D 模型时，可以在 150ms 内完成 16 帧视频的计算。该工作由 CoCoPIE 团队：美国东北大学（Northeastern University）的王言治研究组、威廉与玛丽学院（William & Mary）的任彬研究组以及北卡罗来纳州立大学（North Carolina State University）的慎熙鹏研究组共同完成，发表于第 35 届美国人工智能协会年会（AAAI 2021）。

02

手机实时人工智能之「三维动作识别」:每帧只需9ms

本文提出了一种用于三维卷积神经网络（3D CNN）的模型压缩和移动加速框架 RT3D，通过结合神经网络权重剪枝和编译器代码优化技术，使模型的端到端运行时间与目前支持 3D CNN 的移动框架相比速度提升高达 29.1 倍，准确性损失仅为 1％~1.5％。当在手机上采用 C3D 或 R(2+1)D 模型时，可以在 150ms 内完成 16 帧视频的计算。该工作由 CoCoPIE 团队：美国东北大学（Northeastern University）的王言治研究组、威廉与玛丽学院（William & Mary）的任彬研究组以及北卡罗来纳州立大学（North Carolina State University）的慎熙鹏研究组共同完成，发表于第 35 届美国人工智能协会年会（AAAI 2021）。

03

深度学习检测疟疾

欢迎来到AI for Social Good系列，将重点关注人工智能（AI）与流行的开源工具，技术和框架如何用于发展和改善社会的不同方面。“健康就是财富”也许是一个陈词滥调，但却非常真实！在这篇特别的文章中，将研究如何利用AI来检测疟疾，这是一种致命的疾病，并且有望建立一个低成本，有效和准确的开源解决方案。本文的目的是双重的 - 了解致命疾病疟疾的动机和重要性以及深度学习在检测疟疾方面的有效性。将在本文中介绍以下主要主题：

02

Pytorch预训练模型以及修改

pytorch中自带几种常用的深度学习网络预训练模型，torchvision.models包中包含alexnet、densenet、inception、resnet、squeezenet、vgg等常用网络结构，并且提供了预训练模型，可通过调用来读取网络结构和预训练模型（模型参数）。往往为了加快学习进度，训练的初期直接加载pretrain模型中预先训练好的参数。加载model如下所示：

03

迁移学习全面指南：概念、应用、优势、挑战

【编者按】Springboard AI顾问、前Intel数据科学家Dipanjan (DJ) Sarkar全面介绍了迁移学习的概念、应用、优势、挑战，重点关注深度迁移学习。

01

React篇(015)-了解 redux 么，说一下 redux 吧

答案： redux 是一个应用数据流框架，主要是解决了组件间状态共享的问题，原理是集中式管理，主要有三个核心方法，action，store，reducer。

01

谷歌发布 TensorFlow Fold，支持动态计算图，GPU 增速 100 倍

【新智元导读】谷歌官方博客最新发布TensorFlow Fold，通过为每个输入构建单独的计算图解决由于输入的大小和结构不同导致的问题。此外，通过动态批处理，实现了在 CPU上增速10倍以上，在GPU

09

十大预训练模型，助力入门深度学习（第1部分 - 计算机视觉）

对于希望运用某个现有框架来解决自己的任务的人来说，预训练模型可以帮你快速实现这一点。通常来说，由于时间限制或硬件水平限制大家往往并不会从头开始构建并训练模型，这也就是预训练模型存在的意义。大家可以使用预训练模型作为基准来改进现有模型，或者针对它测试自己的模型：

04

蔬菜识别系统Python+TensorFlow+Django网页界面+卷积网络算法+深度学习模型

蔬菜识别系统，使用Python作为主要开发语言，基于深度学习TensorFlow框架，搭建卷积神经网络算法。并通过对数据集进行训练，最后得到一个识别精度较高的模型。并基于Django框架，开发网页端操作平台，实现用户上传一张图片识别其名称。

02

10个预训练模型开始你的深度学习（计算机视觉部分）

对于希望学习算法或尝试现有框架的人来说，预训练的模型是一个很好的帮助。由于时间限制或计算资源的限制，不可能总是从头构建模型，这就是为什么存在预训练模型！

02

【说站】为什么你的数据库这么慢？

当你发现数据库查询特别慢的时候，并且从硬件配置、SQL优化和索引等方面都找不出原因，那你可能需要从数据库的计算引擎本身的性能找下原因。

05

深度 | 像玩乐高一样拆解Faster R-CNN：详解目标检测的实现过程

选自tryolabs 作者：Matt Simon 机器之心编译本文详细解释了 Faster R-CNN 的网络架构和工作流，一步步带领读者理解目标检测的工作原理，作者本人也提供了 Luminoth 实现，供大家参考。 Luminoth 实现：https://github.com/tryolabs/luminoth/tree/master/luminoth/models/fasterrcnn 在阅读本文之前，若想了解 R-CNN 网络家族的发展，可以参看机器之心的文章：深度 | 用于图像分割的卷积神

Android UI 架构演进：从 MVC 到 MVP、MVVM、MVI

MVC 初步解决了 Activity 代码太多的问题，但也有缺点：我们的初衷 Activity / Fragment 是只处理表现逻辑的部分，但现实是 Activity 天然不可避免要处理 UI，也要处理用户交互，说明 Activity 本身天然承担了 View 的角色。那么这个架构就会造成 Activity 里糅合了视图和业务的代码，分离程度不够。

01

基于深度学习的自然场景文字检测及端到端的OCR中文文字识别

基于图像分类，在VGG16模型的基础上，训练0、90、180、270度检测的分类模型. 详细代码参考angle/predict.py文件，训练图片8000张，准确率88.23%

04

深度 | 像玩乐高一样拆解Faster R-CNN：详解目标检测的实现过程

作者：Matt Simon 机器之心编译本文详细解释了 Faster R-CNN 的网络架构和工作流，一步步带领读者理解目标检测的工作原理，作者本人也提供了 Luminoth 实现，供大家参考。 Luminoth 实现：https://github.com/tryolabs/luminoth/tree/master/luminoth/models/fasterrcnn 在阅读本文之前，若想了解 R-CNN 网络家族的发展，可以参看机器之心的文章：深度 | 用于图像分割的卷积神经网络：从R-CNN到

08

CV新时代已经来临

自ViT问世以来，CV开始进入膨胀期，也迎来了新一轮的红利，开始了类似于NLP中Transformer的发展趋势。从CNN开始彻底走向ViT，从supervised到self-supervised，再到大数据预训练，ViT的变种不断增加，带来的性能也在持续提升。

03

现在都2202年了，用CPU做AI推理训练到底能不能行？

机器之心原创作者：思 CPU 不适合模型推理和训练？那已经是老刻板印象了，英特尔® 至强® 可扩展处理器搭配 AVX-512 指令集，单核一次能同时进行 128 次 BF16 浮点运算，这对于一般的深度学习模型不论在训练还是推理已经是足够的了。说到模型训练，很多算法工程师首先想到的就是各种深度学习框架，以及 CUDA、cuDNN、NCCL 等 GPU 训练环境，似乎我们很少优先考虑在 CPU 上直接训练模型。这可能是在潜意识里，我们将 CPU 视为不适合并行计算的设备，思考着，也许 CPU 训练模型不仅

03

Kaggle车辆边界识别第一名解决方案：使用预训练权重轻松改进U-Net

选自arXiv 机器之心编译本文作者之一 Vladimir Iglovikov 曾取得 Kaggle Carvana Image Masking Challenge 第一名，本文介绍了他使用的方法：使用预训练权重改进 U-Net，提升图像分割的效果。代码地址（包含预训练权重）：https://github.com/ternaus/TernausNet 随着处理密集计算的计算机硬件的发展和平民化，研究者能够处理拥有数百万参数的模型。卷积神经网络在图像分类、目标识别、场景理解等领域都取得了极大的成功。对几

08

VGG卷积神经网络模型解析

一：VGG介绍与模型结构 VGG全称是Visual Geometry Group属于牛津大学科学工程系，其发布了一些列以VGG开头的卷积网络模型，可以应用在人脸识别、图像分类等方面，分别从VGG16～VGG19。VGG研究卷积网络深度的初衷是想搞清楚卷积网络深度是如何影响大规模图像分类与识别的精度和准确率的，最初是VGG-16号称非常深的卷积网络全称为（GG-Very-Deep-16 CNN），VGG在加深网络层数同时为了避免参数过多，在所有层都采用3x3的小卷积核，卷积层步长被设置为1。VGG的输入被设置

04

干货 | 5个常用的深度学习框架

对于学习数据科学的同学来说，从头开始实现神经网络，会让你理解很多有趣的东西。但是，我并不认为在真实数据集上构建深度学习模型是个明智的做法，除非你有数天或数周的时间来等待模型的构建。那么对于绝大部分无法获得无限资源的人来说，使用易于使用的开源深度学习框架，我们可以立即实现如卷积神经网络这样的复杂模型。

03

基于转移学习的图像识别

算法该如何分辨这只狗可能属于哪个品种？当然小伙伴们可以训练自己的卷积神经网络来对这张图片进行分类，但是通常情况下我们既没有GPU的计算能力，也没有时间去训练自己的神经网络。但是，全世界的各个研究团队（例如牛津，谷歌，微软）都拥有足够的计算能力，时间和金钱，而且以前可能已经解决过一些类似的问题。我们该如何利用他们已经完成的工作呢？现在来让我们了解一个重要的概念——转移学习。

02

[转]SIMD、MMX、SSE、AVX、3D Now!、NEON

对于SISD，每个指令只能处理一个数据，而SIMD一个指令可以处理多个数据，因为多个数据的处理是平行的，因此从时间来说，一个指令执行的时间，SISD和SIMD是差不多的。由于SIMD一次可以处理N个数据，所以它的处理的时间也就缩短到SISD的1/N。需要指出一点，NEON是需要硬件支持的，需要有一块寄存器放到硬件上来处理这个的。SIMD、MMX、SSE、AVX、3D Now!、NEON

01

开发 | 谷歌刚发布的深度学习动态计算图工具TensorFlow Fold是什么？

2 月 7 日，谷歌通过博客正式发布了 TensorFlow Fold，该库针对 TensorFlow 1.0 框架量身打造，可以帮助深度学习开发者根据不同结构的输入数据建立动态的计算图（Dynamic Computation Graphs），简化了模型训练阶段对输入数据的预处理过程，提升了系统的运行效率。一般而言，大部分的深度学习项目都需要对模型的训练数据进行一定程度的预处理。在这个过程中，各种不同规模和结构的输入数据（例如不同分辨率的图片数据）将被裁剪成相同的维度和尺寸，然后被压入栈，等待模型训练

04

回归VMAF分数的视频质量评价模块

VMAF是目前比较好用的质量评价模型。但是在图像/视频压缩，视频增强等领域，可能需要一定的质量评价模块作为损失函数指导网络的训练。VMAF作为不可微的质量评价模型，无法直接作为损失函数，在这样的前提下，Darren等人提出使用神经网络去模拟VMAF的分数，使得该质量评价模块可以直接应用于其他网络的训练过程当中。

03

医生再添新助手！深度学习诊断传染病 | 完整代码+实操

【导读】文本基于深度学习和迁移学习方法，对疟疾等传染病检测问题进行了研究。作者对疟疾的检测原理以及迁移学习理论进行了介绍，并使用VGG-19预训练模型，进行了基于特征提取和基于参数微调的迁移学习实践。

02

并行计算Brahma ：LINQ-to-GPU

Brahma是一个.NET 3.5 framework (C# 3.0)为各种处理器提供高级别的并行访问流的开源类库，现在Brahma有一个有一个GPU的提供者（主要是GUGPU），它能够在任何类别的处理器上运行。也就是说Brahma是一个并行计算（重点放在GPGPU ）的框架，使用LINQ进行流转换工作（LINQ-to-streaming computation 或者 LINQ-to-GPU）。现在也可以在Mono上运行注：通用图形处理器（英語：General-purpose computing o

05

【文本检测与识别-白皮书-3.1】第三节：算法模型

2014年论文《Rich feature hierarchies for accurate object detection and semantic segmentation Tech report》提出R-CNN模型，即Regions with CNN features。这篇论文可以算是将CNN方法应用到目标检测问题上的开山之作。

03

IBM研制出新型人工智能芯片

IBM的研究人员声称，他们已开发出一个更加高效的模型用于处理神经网络，该模型只需使用8位浮点精度进行训练，推理（inferencing）时更是仅需4位浮点精度。该研究的成果已于2018年12月初在国际电子元件会议（International Electron Devices Meeting，IEDM）和神经信息处理系统大会（Conference on NeuralInformation Processing Systems，NeurIPS）上发布。

04

CNN加速器设计新突破，逼近能效理论极限

2020年4月12日上午，北京智源人工智能研究院和北京大学高能效计算与应用中心联合主办了“AI芯片体系架构和软件专题报告会”，五位学者结合在2020年计算机体系结构顶级会议（ASPLOS和HPCA）中发表的最新研究成果。本文介绍智源青年科学家、中国科学院计算技术研究所副研究员陈晓明的《Communication Lower Bound in Convolution Accelerators》（卷积加速器中的通信下界）。

04

从编程实现角度学习 Faster R-CNN（附极简实现）

Faster R-CNN 的极简实现： github: simple-faster-rcnn-pytorch（http://t.cn/RHCDoPv ）本文插图地址（含五幅高清矢量图）：draw.io（http://t.cn/RQzroe3 ） 1 概述在目标检测领域, Faster R-CNN 表现出了极强的生命力, 虽然是 2015 年的论文（https://arxiv.org/abs/1506.01497），但它至今仍是许多目标检测算法的基础，这在日新月异的深度学习领域十分难得。Faster

05

Flink零基础教程：并行度和数据重分布

Flink的Transformation转换主要包括四种：单数据流基本转换、基于Key的分组转换、多数据流转换和数据重分布转换。读者可以使用Flink Scala Shell或者Intellij Idea来进行练习：

02

卷积神经网络VGG16这么简单，为什么没人能说清？

很多人想入门做深度学习，但往往翻遍网络看完一篇又一篇所谓的“入门教程”，paper，包括很多深度学习框架官方给出的案例，给人的感觉真的是从入门到放弃。写教程的作者有很多都是技术大神，但写出的东西真的是把原本简简单单的理论说得晦涩难懂，模凌两可。比如说VGG16，都是摆上从论文里截过来的下面这张图：

01

推荐｜14种模型设计帮你改进你的卷积神经网络（CNN）！

如果你觉得好的话，不妨分享到朋友圈。摘要：这14 种原创设计模式可以帮助没有经验的研究者去尝试将深度学习与新应用结合，对于那些没有机器学习博士学位的人来说是一个很好的起点。自2011年以来，深度卷积神经网络（CNN）在图像分类的工作中的表现就明显优于人类，它们已经成为在计算机视觉领域的一种标准，如图像分割，对象检测，场景标记，跟踪，文本检测等。但，想要熟练掌握训练神经网络的能力并不是那么容易。与先前的机器学习思维一样，细节决定成败。但是，训练神经网络有更多的细节需要处理。你的数据和硬件有什么限

06

AI Engine到底是什么？

直接射频采样简化了模拟系统，但同时也提高了对数字系统的要求。需要数字系统有足够强的处理能力，这体现在高密度的计算能力和高速的数据传输能力。一个典型的案例是5G无线通信，其计算密度是4G的5到10倍。5G在很多应用中扮演着重要的角色，如自动驾驶（Autonomous Vehicles）和虚拟现实（Virtual Reality），可满足这些应用对高速处理和低延迟的需求。另一个计算密度极高的场合是机器学习，如DNN/CNN等网络，显著增强了计算密度。在这种背景下，Xilinx推出了AI Engine（Adaptable Intelligent），将其集成在新一代产品ACAP中。AI Engine与Scalar Engine（ARM Core）、Adaptable Engine（传统的Programmable Logic）共同构成了多元化的异构计算平台，从而满足不同应用场合的需求，如下图所示（图片来源：Figure 2, wp506, Xilinx）。

00

浅谈keras使用预训练模型vgg16分类,损失和准确度不变

细节：使用keras训练一个两类数据，正负比例1：3，在vgg16后添加了几个全链接并初始化了。并且对所有层都允许训练。

03

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭