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

Tensorflow中的批量稀疏矩阵乘法

TensorFlow中的批量稀疏矩阵乘法是指在稀疏矩阵和稠密矩阵之间进行批量乘法运算的操作。稀疏矩阵是指矩阵中大部分元素为零的矩阵，而稠密矩阵则是指矩阵中大部分元素都非零的矩阵。

批量稀疏矩阵乘法在机器学习和深度学习中经常用于处理大规模数据集，其中数据通常以稀疏矩阵的形式表示。由于稀疏矩阵中大部分元素为零，因此可以通过使用稀疏矩阵乘法来减少计算量和存储空间。

TensorFlow提供了稀疏矩阵乘法的函数tf.sparse.sparse_dense_matmul()来实现批量稀疏矩阵乘法。该函数接受两个参数，分别是稀疏矩阵和稠密矩阵。稀疏矩阵可以使用tf.SparseTensor类型表示，而稠密矩阵可以使用tf.Tensor类型表示。

优势：

减少计算量：由于稀疏矩阵中大部分元素为零，稀疏矩阵乘法可以减少计算量，提高计算效率。
节省存储空间：稀疏矩阵只存储非零元素的值和对应的索引，可以节省存储空间。

应用场景：

自然语言处理：在自然语言处理任务中，常常需要处理大规模的词袋模型或者词嵌入矩阵，这些矩阵通常是稀疏的，可以使用批量稀疏矩阵乘法来进行计算。
推荐系统：在推荐系统中，用户和物品之间的关系可以表示为稀疏矩阵，可以使用批量稀疏矩阵乘法来计算用户和物品之间的关联度。

推荐的腾讯云相关产品和产品介绍链接地址：

腾讯云提供了丰富的人工智能和云计算相关的产品和服务，以下是一些相关产品和介绍链接地址：

腾讯云AI Lab：https://cloud.tencent.com/product/ailab
腾讯云机器学习平台：https://cloud.tencent.com/product/tiia
腾讯云大数据与人工智能：https://cloud.tencent.com/product/bdi
腾讯云云服务器：https://cloud.tencent.com/product/cvm
腾讯云数据库：https://cloud.tencent.com/product/cdb
腾讯云物联网平台：https://cloud.tencent.com/product/iotexplorer
腾讯云移动开发平台：https://cloud.tencent.com/product/mpp
腾讯云存储服务：https://cloud.tencent.com/product/cos
腾讯云区块链服务：https://cloud.tencent.com/product/bcs
腾讯云元宇宙服务：https://cloud.tencent.com/product/mu

相关搜索:如何在TensorFlow中执行稀疏矩阵*稀疏矩阵乘法？基于tensorflow的稀疏矩阵对角线乘法 Scipy稀疏矩阵乘法 tensorflow中的矩阵乘法 Python中的稀疏矩阵乘法问题 tensorflow 矩阵乘法 Tensorflow批处理稀疏乘法稀疏矩阵、稀疏累加器和乘法稀疏矩阵乘法复杂度快速矢量/稀疏矩阵/矢量乘法 Tensorflow顺序矩阵乘法如果涉及Inf，为什么稀疏矩阵的矩阵乘法与稠密矩阵乘法不同？尖点实数缩放稀疏矩阵向量乘法 Tensorflow中的稀疏矩阵三角求解？用于矩阵批量乘法的Cuda程序 scipy超稀疏矩阵乘法速度非常慢用C++链表实现稀疏矩阵乘法使用tensordot进行批量矩阵乘法稀疏SciPy矩阵与两个NumPy向量的矩阵乘法利用简单矩阵乘法实现Scipy稀疏内存爆炸

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

OpenAI发布可加速GPU机器学习的核心工具库

OpenAI研究人员日前发布了一个工具库，该工具库可以帮助研究人员在图形处理器（graphics-processor-unit，GPU）上建立更快、更高效、占内存更少的神经网络。 OpenAI研究人员日前发布了一个工具库，可以帮助研究人员在图形处理器上建立更快、更高效、占内存更少的神经网络。神经网络由多层相连的节点构成。这类网络的架构根据数据和应用变化很多，但是所有模型都受到它们在图形处理器上运行方式的限制。以更少的计算能力训练更大模型的一种办法是引入稀疏矩阵。如果一个矩阵里面有很多零，那就视为稀疏矩阵。

04

将tf.batch_matmul替换成tf.matmul的实现

x: 一个类型为:half, float32, float64, uint8, int8, uint16, int16, int32, int64, complex64, complex128的张量。

02

【知识】稀疏矩阵是否比密集矩阵更高效？

这里的效率高，应该是有前提的：当使用稀疏矩阵的存储格式(如CSR)时，计算效率更高。如果是普通的完整矩阵格式，实际上效率一样。

01

【知识】稀疏矩阵是否比密集矩阵更高效？

这里的效率高，应该是有前提的：当使用稀疏矩阵的存储格式(如CSR)时，计算效率更高。如果是普通的完整矩阵格式，实际上效率一样。

01

OpenAI发布高度优化的GPU计算内核—块稀疏GPU内核

深度学习领域的模型架构和算法的发展在很大程度上受到GPU能否高效实现初等变换的限制。其中一个问题是缺乏GPU不能高效执行稀疏线性操作，我们现在正在发布高度优化的GPU计算内核实现一些稀疏模式（附带初步

05

tf.matmul() 和tf.multiply()

注意：（1）multiply这个函数实现的是元素级别的相乘，也就是两个相乘的数元素各自相乘，而不是矩阵乘法，注意和tf.matmul区别。（2）两个相乘的数必须有相同的数据类型，不然就会报错。

04

深度学习GPU选购指南：哪款显卡配得上我的炼丹炉？

---- 新智元报道编辑：Joey David 【新智元导读】最近，曾拿到斯坦福、UCL、CMU、NYU博士offer、目前在华盛顿大学读博的知名测评博主Tim Dettmers在自己的网站又上线了深度学习领域的GPU深度测评，到底谁才是性能和性价比之王？众所周知，在处理深度学习和神经网络任务时，最好使用GPU而不是CPU来处理，因为在神经网络方面，即使是一个比较低端的GPU，性能也会胜过CPU。深度学习是一个对计算有着大量需求的领域，从一定程度上来说，GPU的选择将从根本上决定深度学习的体

03

开发 | MIT Taco项目：自动生成张量计算的优化代码，深度学习加速效果提高100倍

AI科技评论消息：我们生活在大数据的时代，但在实际应用中，大多数数据是“稀疏的”。例如，如果用一个庞大的表格表示亚马逊所有客户与其所有产品的对应映射关系，购买某个产品以“1”表示，未购买以“0”表示，这张表的大部分将会是0。使用稀疏数据进行分析的算法最终做了大量的加法和乘法，而这大部分计算是无效的。通常，程序员通过编写自定义代码来优化和避免零条目，但这种代码通常编写起来复杂，而且通常适用范围狭窄。 AI科技评论发现，在ACM的系统、程序、语言和应用会议（SPLASH）上，麻省理工学院、法国替代能源和原子能

MIT Taco 项目：自动生成张量计算的优化代码，深度学习加速效果提高 100 倍

我们生活在大数据的时代，但在实际应用中，大多数数据是 “稀疏的”。例如，如果用一个庞大的表格表示亚马逊所有客户与其所有产品的对应映射关系，购买某个产品以 “1” 表示，未购买以 “0” 表示，这张表的大部分将会是 0。使用稀疏数据进行分析的算法最终做了大量的加法和乘法，而这大部分计算是无效的。通常，程序员通过编写自定义代码来优化和避免零条目，但这种代码通常编写起来复杂，而且通常适用范围狭窄。 AI研习社发现，在 ACM 的系统、程序、语言和应用会议（SPLASH）上，麻省理工学院、法国替代能源和原子能委

tensorflow运行mnist的一些

最近在tensorflow环境下用CNN来实现mnist，里面设计了一些tensorflow的函数，在之后的学习中肯定会经常使用，因此记录整理下来。

01

KDD 2021 | 大规模安全稀疏逻辑回归提速隐私计算

近年来，随着数据安全和隐私保护的要求越来越严格，数据孤岛的问题越来越严重，阻碍了AI模型训练的进一步发展，因此隐私计算相关的研究和实践逐渐成为了一个热门的方向。很多机构和学者投入到了隐私计算赛道中。在众多的隐私计算算法中，隐私保护逻辑回归算法是在实践中用的更多的，因为其简单性、鲁棒性、良好的可解释性等优势，它已经被广泛应用于广告点击率预测，信用违约模型和反欺诈等应用中。

02

tensorflow语法【tf.matmul() 、loc和iloc函数、tf.expand_dims()】

【一】tensorflow安装、常用python镜像源、tensorflow 深度学习强化学习教学

03

PyTorch团队重写「分割一切」模型，比原始实现快8倍

从年初到现在，生成式 AI 发展迅猛。但很多时候，我们又不得不面临一个难题：如何加快生成式 AI 的训练、推理等，尤其是在使用 PyTorch 的情况下。

01

一文带你读懂非结构化稀疏模型压缩和推理优化技术

非结构化稀疏是一种常见的模型压缩策略。本文中，我们将分享一套基于飞桨（PaddlePaddle）的非结构化稀疏训练和推理的端到端系统，以及为保证训练精度与推理速度而做的优化策略。移动端实测 MobileNetV1，稀疏度 80%，精度损失小于 1%，FP32 和 INT8 模型推理加速 70% 和 60%；稀疏度 90%，精度损失 2.7%，FP32 和 INT8 加速 178% 和 132%。

02

OpenAI 发布稀疏计算内核，更宽更深的网络，一样的计算开销

雷锋网 AI 科技评论按：OpenAI 的研究人员们近日发布了一个高度优化的 GPU 计算内核，它可以支持一种几乎没被人们探索过的神经网络架构：带有稀疏块权重的网络。取决于不同的稀疏程度，这些内核的运行速度可以比 cuBLAS 或者 cuSPARSE 快一个数量级。OpenAI 的研究人员们已经通过这些内核在文本情感分析和文本图像的生成中得到了顶尖的成果。雷锋网 AI 科技评论把 OpenAI 的这篇介绍文章翻译如下。在深度学习领域，模型架构和算法的开发很大程度上受制于 GPU 对基础计算操作的支持到

05

tensorflow之tf.tile\tf.slice等函数的基本用法解读

解读： tensorflow中的tile()函数是用来对张量(Tensor)进行扩展的，其特点是对当前张量内的数据进行一定规则的复制。最终的输出张量维度不变。

03

RTX 40时代，给深度学习买的显卡居然能保值9年？仔细一算绷不住了

选自timdettmers.com 作者：Tim Dettmers 机器之心编译编辑：泽南 FP8 训练带来的速度提升可能要一统 AI 领域，但这是我要考虑的问题吗？深度学习对于算力的要求很高，对于个人来说，GPU 的选择很大程度上决定了你的工作、学习体验。显卡既贵又复杂，如果想购买新的 GPU，哪些功能最重要？内存、核心、Tensor Core 还是缓存？如何做出性价比高的选择？每出一代新 GPU 这些问题就要重新审视一番。近日，华盛顿大学在读博士 Tim Dettmers 通过一篇长文在 RTX

04

稀疏矩阵之 toarray 方法和 todense 方法

在 SciPy 稀疏矩阵中，有着 2 个经常被混为一谈的方法：toarray() 方法以及 todense() 方法。事实上，我在才开始接触 SciPy 稀疏矩阵的时候也曾经把这 2 个方法之间画上等号。但是，两者之间还是存在着很大的不同，具体有哪些不同之处我们就首先从返回值类型开始说明。

03

卷积神经网络的压缩和加速

我们先来看看当前深度学习平台中，卷积层的实现方式，其实当前所有的深度学习平台中，都是以矩阵乘法的方式实现卷积的(如图1左侧)：

08

OpenAI 发布稀疏计算内核，更宽更深的网络，一样的计算开销

本文介绍了OpenAI研究团队在神经网络稀疏计算方向上的最新研究成果，主要围绕稀疏计算内核、微缩的LSTM、压缩任务的表现、以及未来的研究方向等方面展开。

00

PHP数据结构（六） ——数组的相乘、广义表

PHP数据结构（六）——数组的相乘、广义表（原创内容，转载请注明来源，谢谢）本文接PHP数据结构（五）的内容。 4.2 行逻辑链接的顺序表行逻辑链接的顺序表，即在上述三元表的基础上，附加一个数组，用于存储每一行第一个非零元的位置。该存储方式，主要是便于对两个稀疏矩阵进行乘法操作。矩阵M(a行b列)和N(b行c列)相乘（m的行必须等于n的列），结果是一个a行c列的矩阵。根据矩阵乘法的方式，计算步骤如下： 1、矩阵M的第a’行b‘列（0<=a’<=a，0<=b’<=b）的值（非零元），只需要和

09

OpenAI 发布稀疏计算内核，更宽更深的网络，一样的计算开销

本文介绍了一种神经网络稀疏表示学习算法，该算法可以用于高效地训练大型神经网络。该算法使用稀疏块权重矩阵和稀疏线性层，可以大幅减少模型参数和计算开销，从而提高神经网络的训练效率和推理速度。同时，该算法在多种自然语言处理任务上表现出色，包括文本分类、情感分析和机器翻译等。

08

深度 | OpenAI发布「块稀疏」GPU内核：实现文本情感分析与图像生成建模当前最优水平

选自 OpenAI 作者：Durk Kingma、Scott Gray、Alec Radford 机器之心编译参与：黄小天、刘晓坤近日，OpenAI 在其一篇题为《Block-Sparse GPU Kernels》的博文中发布了一个低级别神经网络架构的高度优化 GPU 内核，并且这个神经网络带有「块稀疏」（block-sparse）权重。根据已选的稀疏性，这些内核可以比 cuBLAS 或 cuSPARSE 运行快几个数量级，并在文本情感分析与文本、图像生成建模方面取得了当前最优结果。机器之心对博文进行了

06

EIE结构与算法映射

EIE（Efficient Inference Engine）的算法基础是一种被称为Deep Compression的神经网络压缩算法。EIE可以说是为Deep Compression量身定制的硬件，Deep Compression的算法流程如下所示：

02

学界 | OpenAI 发布稀疏计算内核，更宽更深的网络，一样的计算开销

AI 科技评论按：OpenAI 的研究人员们近日发布了一个高度优化的 GPU 计算内核，它可以支持一种几乎没被人们探索过的神经网络架构：带有稀疏块权重的网络。取决于不同的稀疏程度，这些内核的运行速度可以比 cuBLAS 或者 cuSPARSE 快一个数量级。OpenAI 的研究人员们已经通过这些内核在文本情感分析和文本图像的生成中得到了顶尖的成果。AI 科技评论把 OpenAI 的这篇介绍文章翻译如下。在深度学习领域，模型架构和算法的开发很大程度上受制于 GPU 对基础计算操作的支持到什么程度。具体来说，

06

业界 | 百度开源新一代深度学习硬件测试工具：覆盖Titan Xp到iPhone7

选自Baidu Research 机器之心编译今天，百度研究院开源了新一代 DeepBench，一款深度学习基准测试工具，这次升级加入了推理测量等功能。 1. 介绍 2016 年 9 月，百度推出了第一版 DeepBench，它是一个开源基准测试工具，用于测试训练深度学习神经网络的基本性能指标，可兼容不同硬件平台上的神经网络库。 DeepBench GitHub 地址：https://github.com/baidu-research/DeepBench DeepBench 的主要目的是测试深度学习系统在

08

讲解device:GPU:0 but available devices are [ /job:localhost/replica:0/task:0/dev

在深度学习领域中，GPU 是一种广泛用于加速模型训练和推断的强大工具。然而，有时我们可能会遇到一个错误信息：device:GPU:0 but available devices are [ /job:localhost/replica:0/task:0/device ]。这个错误表明代码尝试在 GPU 上运行，但却没有可用的 GPU 设备。本文将讲解此错误的原因及解决方法。

01

【调研】GPU矩阵乘法的性能预测——Machine Learning Approach for Predicting The Performance of SpMV on GPU

通常，矩阵的大部分值都是零，因此在矩阵中，将数值为0的元素的数目远远大于非0的元素的数目，并且非0元素分布无规律时，称为稀疏矩阵；反之，则称为稠密矩阵。

02

【每周一库】- sprs - 用Rust实现的稀疏矩阵库

sprs是用纯Rust实现的部分稀疏矩阵数据结构和线性代数算法特性结构矩阵三元组矩阵稀疏向量运算稀疏矩阵 / 稀疏向量积稀疏矩阵 / 稀疏矩阵积稀疏矩阵 / 稀疏矩阵加法，减法稀疏向量 / 稀疏向量加法，减法，点积稀疏 / 稠密矩阵运算算法压缩稀疏矩阵的外部迭代器稀疏向量迭代稀疏向量联合非零迭代简单的稀疏矩阵Cholesky分解 (需要选择接受 LGPL 许可) 等式右侧为稠密矩阵或向量情况下的稀疏矩阵解三角方程组示例矩阵创建 use sprs::TriMat; let

01

TensorFlow应用实战 | TensorFlow基础知识

hw = tf.constant("Hello World! Mtianyan love TensorFlow!")

04

将330亿参数大模型「塞进」单个消费级GPU，加速15%、性能不减

预训练大语言模型（LLM）在特定任务上的性能不断提高，随之而来的是，假如 prompt 指令得当，其可以更好的泛化到更多任务，很多人将这一现象归功于训练数据和参数的增多，然而最近的趋势表明，研究者更多的集中在更小的模型上，不过这些模型是在更多数据上训练而成，因而在推理时更容易使用。

01

LightGCN模型部分代码解读

tensorflow版：https://github.com/kuandeng/LightGCN

03

2023「炼丹」GPU选购指南来了：英伟达3080和4070Ti成性价比之王

Alex 发自凹非寺量子位 | 公众号 QbitAI 春暖花开，各位深度学习er想不想给自己的“丹炉”升级一波？ “炼丹”爱好者们应该知道，在该领域中，**GPU的总体表现完胜CPU。那么GPU应该怎么选？不妨来看看这篇超级详尽的“2023版GPU选购指南”。知名测评博主、华盛顿大学在读博士Tim Dettmers亲测后，写下万字长文，手把手教你Pick性价比最高的显卡，避免踩雷。 △光是目录就有这么长…… 至于谁是性价比之王，不卖关子，这里先放上Tim哥的结论：对于16位训练过程，RTX 30

06

详述Deep Learning中的各种卷积（二）

对于很多生成模型（如GAN中的生成器、自动编码器（Autoencoder）、语义分割等模型）。我们通常希望进行与正常卷积相反的装换，即我们希望执行上采样，比如自动编码器或者语义分割。（对于语义分割，首先用编码器提取特征图，然后用解码器回复原始图像大小，这样来分类原始图像的每个像素。）

02

盘一盘 Python 特别篇 20 - SciPy 稀疏矩阵

和稠密矩阵相比，稀疏矩阵的最大好处就是节省大量的内存空间来储存零。稀疏矩阵本质上还是矩阵，只不过多数位置是空的，那么存储所有的 0 非常浪费。稀疏矩阵的存储机制有很多种 (列出常用的五种)：

03

谷歌联手DeepMind提出Performer：用新方式重新思考注意力机制

Transformer 模型在很多不同的领域都取得了SOTA，包括自然语言，对话，图像，甚至音乐。每个 Transformer 体系结构的核心模块是 Attention 模块，它为一个输入序列中的所有位置对计算相似度score。

02

大规模稀疏线性规划求解思路梳理

已知现在有M个广告主和N个广告词，其中每个单位流量的（广告主，广告词）收益固定，且每个广告主/广告词均有流量分配限制，问如何给（广告主，广告词）分配流量，使得收益达到最大。

01

稀疏矩阵的压缩方法

说明：稀疏矩阵是机器学习中经常遇到的一种矩阵形式，特别是当矩阵行列比较多的时候，本着“节约”原则，必须要对其进行压缩。本节即演示一种常用的压缩方法，并说明其他压缩方式。

02

MADlib——基于SQL的数据挖掘解决方案（4）——数据类型之矩阵

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/wzy0623/article/details/78904700

01

用PaddlePaddle和Tensorflow实现经典CNN网络GoogLeNet

前面讲了LeNet、AlexNet和Vgg，这周来讲讲GoogLeNet。GoogLeNet是由google的Christian Szegedy等人在2014年的论文《Going Deeper with Convolutions》提出，其最大的亮点是提出一种叫Inception的结构，以此为基础构建GoogLeNet，并在当年的ImageNet分类和检测任务中获得第一，ps：GoogLeNet的取名是为了向YannLeCun的LeNet系列致敬。 (本系列所有代码均在github:https://githu

09

热传导算法从入门到放弃

热传导和物质传播其实也是基于random walk 理论设计的，和之前提到的基于图的随机游走算法如出一辙。

01

深度分析NVIDIA A100显卡架构（附论文&源码下载）

基于安培体系结构的NVIDIA A100 GPU是为了从其许多新的体系结构特征和优化中提供尽可能多的AI和HPC计算能力而设计的。在台积电7nm N7 FinFET制造工艺上，A100提供了比Tesla V100中使用的12nm FFN工艺更高的晶体管密度、更好的性能和更好的功率效率。一种新的Multi-Instance GPU(MIG)能为多租户和虚拟化GPU环境提供了增强的客户端/应用程序故障隔离和QoS，这对云服务提供商特别有利。一个更快和更强的错误抗力的第三代NVIDIA的NVLink互连提供了改进的多GPU性能缩放的超尺度数据中心。

05

OpenBLAS项目与矩阵乘法优化 | 公开课+文字转录

提起矩阵计算，学过《高等数学》的人可能都听过，但若不是这个领域的研究者，恐怕也只停在“听过”的程度。在矩阵计算领域，开源项目OpenBLAS影响巨大，除IBM、华为等巨头公司在使用外，还吸引了全球的研究院校、开发者们关注。雷锋网 AI 研习社近日有幸邀请到了澎峰科技创始人、OpenBLAS项目创始人和主要维护者张先轶，他将为我们介绍OpenBLAS开源项目以及矩阵乘法的优化。嘉宾介绍张先轶，中国科学院博士，MIT博士后，OpenBLAS开源项目创始人和主要维护者，PerfXLab澎峰科技创始人。曾

07

『深度概念』极简图解卷积与反卷积操作

正向卷积操作：步长 strides = 1, 填充 padding = 0,输出形状为 2x2，该过程如下图所示：

02

【学术】一篇关于机器学习中的稀疏矩阵的介绍

AiTechYun 编辑：Yining 在矩阵中，如果数值为0的元素数目远远多于非0元素的数目，并且非0元素分布无规律时，则称该矩阵为稀疏矩阵；与之相反，若非0元素数目占大多数时，则称该矩阵为稠密矩阵

04

scipy.sparse、pandas.sparse、sklearn稀疏矩阵的使用

单机环境下，如果特征较为稀疏且矩阵较大，那么就会出现内存问题，如果不上分布式 + 不用Mars/Dask/CuPy等工具，那么稀疏矩阵就是一条比较容易实现的路。

01

研学社·系统组 | 实时深度学习的推理加速和持续训练

机器之心原创作者：Yanchen Wang 参与：蒋思源、李亚洲作者 Yanchen 毕业于普林斯顿大学机器学习方向，现就职于微软Redmond总部，从事大规模分布式机器学习和企业级AI研发工作。在该篇文章中，作者介绍了实时深度学习的推理加速和持续性训练。引言深度学习变革了许多计算机视觉和自然语言处理（NLP）领域内的任务，它为越来越多的消费者和工业产品提供更强大的智能，并潜在地影响了人们在日常经验和工业实践上的标准流程。从理论上来说，深度学习和其他基于统计机器学习方法的自动化系统十分类似，它们都可

09

深度学习论文随记（三）GoogLeNet-2014年

本文介绍了深度学习论文中的GoogLeNet模型，该模型在2014年ILSVRC竞赛中获得第一名，主要使用卷积神经网络进行图像分类。GoogLeNet模型由多个卷积层和池化层堆叠而成，采用了稀疏矩阵和Inception结构等技术，能够自动学习图像中的特征，避免了过拟合的问题，具有较好的泛化能力。

00

从GPU的内存访问视角对比NHWC和NCHW

NHWC和NCHW是卷积神经网络(cnn)中广泛使用的数据格式。它们决定了多维数据，如图像、点云或特征图如何存储在内存中。

05

DeepMind攻克50年数学难题！AlphaZero史上最快矩阵乘法算法登Nature封面

---- 新智元报道编辑：David Joey 【新智元导读】DeepMind碾压人类高手的AI围棋大师AlphaZero，下一个目标是数学算法！现已发现50年以来最快的矩阵乘法算法。下围棋碾压人类的AlphaZero，开始搞数学算法了，先从矩阵乘法开始！在昨天DeepMind团队发表在Nature上的论文中，介绍了 AlphaTensor，这是第一个用于为矩阵乘法等基本计算任务发现新颖、高效、正确算法的AI系统。论文链接： https://www.nature.com/article

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