持续迭代升级，整体架构设计更加合理优雅，集成的模型日益丰富，在语义分割、交互式分割、深度抠图、人像分割、医学图像分割等重点场景也逐步形成了独具特色的功能。现在，我们非常高兴地宣布，PaddleSeg

的主要组成部分前处理原始音频数据首先经过预处理，包括采样率转换、声道数调整等，以满足模型输入的要求。特征提取器对预处理后的音频数据进行特征提取，将其转换为适合模型输入的形式。wav2vec2.0

mAP，超越了所有的Anchor-free方法并且和最先进的Anchor-based的两阶段模型精度几乎相当。在保持高精度的同时，PP-YOLOE-R避免使用特殊的算子，例如Deformable

2月24日，主题为“算网筑基、开源启智、AI赋能”的第四届OpenI/O启智开发者大会在深圳开幕，大会由科技部指导、鹏城实验室与新⼀代人工智能产业技术创新战略联盟（AITISA）主办，科技部高新司副司长梅建平，中国工程院院士、鹏城实验室主任高文，北京智源人工智能研究院院长及AITISA秘书长黄铁军，百度技术委员会理事长陈尚义等在主论坛发言，分享开源探索之路的真知灼见。会上，百度联合鹏城实验室正式发布飞桨-鹏城云脑发行版，持续打通AI软硬件底座生态，为科研工作者和广大开发者提供飞桨深度学习平台、文心大模型等一系列高效便利的研发工具和应用体验。飞桨-鹏城云脑发行版正式发布在去年11月30日由深度学习技术及应用国家工程研究中心主办的“Wave

飞桨科学计算实训示例https://aistudio.baidu.com/aistudio/projectoverview/public?topic=15相关地址[1]

Hackathon第四期全新升级，开放报名啦！玩技术，秀操作！这是一场高手云集的开发者盛会。四大赛道：核心框架开源贡献（PaddlePaddle）、模型套件开源贡献（Paddle

2022年11月，飞桨框架2.4版本发布。相比飞桨框架2.3版本，飞桨框架v2.4增加了167个功能性API，新增稀疏计算(paddle.sparse)、图学习(paddle.geometric)和语音处理(paddle.audio)等更多领域API，同时也进一步完善了loss计算、张量计算、分布式和视觉变换等类别的API。下面详细介绍每一类新增API及其应用场景示例，方便用户快速了解和上手使用。全面支持主流模型稀疏化训练及推理当前越来越多的场景有稀疏计算的需求，例如3D点云图像处理和NLP中的稀疏Attention等。神经网络的稀疏化可以提高网络的性能，减少计算量及内存/显存的占用，已成为深度学习的研究热门之一。飞桨v2.4新增了如下稀疏类API，支持主流稀疏模型的训练和推理，并支持多种稀疏Tensor格式及稀疏Tensor与稠密Tensor的混合计算，同时其名称和使用方式与常规稠密Tensor的API保持一致，方便记忆且容易上手。稀疏基础计算API：一元计算：paddle.sparse.sin/sinh/tan/tanh/expm1/log1p/pow/square/sqrt/abs/cast/neg...二元计算：paddle.sparse.add/substract/multiply/divide...矩阵和向量计算：paddle.sparse.matmul/masked_matmul/addmm/mv...数据变形：paddle.sparse.transpose/reshape...稀疏组网API：网络层paddle.sparse.nn.Conv3D/SubmConv3D/MaxPool3D/BatchNorm...激活层：paddle.sparse.nn.ReLU/ReLU6/LeakyReLU/Softmax...覆盖稀疏计算主流应用场景3D点云目标检测CenterPoint是一种物体检测器，以点云作为输入，将三维物体在Bird-View下的中心点作为关键点，基于关键点检测的方式回归物体的尺寸、方向和速度。飞桨框架v2.4完整提供了这类模型需要的稀疏SubmanifoldConv3D/Conv3D、稀疏BatchNorm和稀疏ReLU等API。模型的训练评估、动转静及推理的各项功能均已完全实现，欢迎试用。实测比业界同类竞品提速4%，训练精度提升0.2%。CenterPoint模型介绍https://github.com/PaddlePaddle/Paddle3D/tree/release/1.0/docs/models/centerpointSparse

近年来，随着深度学习技术的迅速发展，大规模预训练范式通过一次又一次刷新各种评测基线证明了其卓越的学习与迁移能力。在这个过程中，研究者们发现通过不断地扩大模型参数便能持续提升深度学习模型的威力。然而，参数的指数级增长意味着模型体积增大、所需计算资源增多、计算耗时更长，而这无论出于业务线上响应效率的要求还是机器资源预算问题，都给大模型落地带来了极大的挑战。图：模型上线时精度、时延、内显存占用等多重需求示意如何在保证效果的前提下压缩模型？如何适配

飞桨时序模型库PaddleTS具备统一的时序数据结构、全面的基础模型功能、丰富的数据处理和分析算子以及领先的深度时序算法，可以帮助开发者实现时序数据处理、分析、建模、预测全流程，在预测性维护、能耗分析、价格销量预估等场景中有重要应用价值。近期，PaddleTSv1.1版本重磅发布，带来了在模型推理、模型可解释性、新增模型算法等多方面的重要升级：更高效的推理部署：基于Paddle

在人机交互的过程中，语音是重要的信息载体，而语音交互技术离不开语音识别与语音合成技术。飞桨语音模型库PaddleSpeech为开发者们使用这些技术提供了便捷的环境。本次PaddleSpeech迎来重大更新——1.3版本正式发布。让我们一起看看，这次PaddleSpeech为大家带来了哪些新内容吧！提速300%，提供U2模型和U2++模型高性能C++部署方案；无监督预训练大模型wav2vec2正式上线，支持全流程微调；通用语音识别大模型Whisper上线PaddleSpeech

当今时代，通过科技改变生产生活方式的各种先进技术纷纷崛起，交通产业也经历着巨大的变革。国家对于智能交通和交通强国战略的支持使得交通产业更加需要相关技术支撑与赋能。对此，百度飞桨团队与Apollo自动驾驶团队强强联合，聚焦人工智能关键技术，深耕自动驾驶各个场景，汇聚各方力量，不断拓宽开源之路。此次，飞桨基于和Apollo自动驾驶团队合作开发的大量业务实践经验，结合自动驾驶感知算法开发难点，正式发布飞桨首个端到端3D感知开发套件——Paddle3D！Paddle3D官方开源代码链接如下，也欢迎大家入群进行3D感知开发的技术交流，接下来将为大家全面的介绍Paddle3D。https://github.com/PaddlePaddle/Paddle3DPaddle3D概览Paddle3D是百度飞桨官方开源的端到端3D感知开发套件，套件整体结构分为框架层、基础层、算法层、工具层4层。接下来具体介绍一下Paddle3D这几部分的内容。Paddle3D产品全景图基础层基础层主要提供了数据处理管道、数据集的基础支持、自定义算子的开发支持、高级API支持。数据处理管道提供数据处理的I/O加速能力，提高训练阶段数据吞吐速度。同时提供多种数据变换、数据增强能力，满足3D模型的快速开发。数据集在本次的正式版中，我们全面支持了自动驾驶三大开源数据集KITTI、Waymo和nuScense。同时，Paddle3D还支持用户自定义数据集进行训练，详情请前往Paddle3D官方开源仓库。此外，百度和清华联合发布了业内首个车路协同3D感知数据集DAIR-V2X，并且相应的比赛“车路协同自动驾驶算法挑战赛”正在如火如荼的进行，第一名奖金高达40000元，欢迎大家使用Paddle3D报名参赛打榜，点击下方图片可跳转报名。真值库在模型精度优化方面，除了模型层面的一些优化策略，Paddle3D在数据层面也提供了基于真值库的在线优化策略。在做自动驾驶感知任务时，采集和标注点云数据所耗费的人力成本偏高，我们希望可以充分利用已有的数据来拓展训练数据的多样性。基于真值库的在线优化策略是先根据已有的训练数据离线地生成真值库，训练的过程中在线地从真值库里面随机采样一些真值目标，放到当前帧中来合成一帧新的点云，从而提升模型的泛化能力。下图是使用这个优化策略前后的精度对比情况，整体精度有5.39%的提升。真值库示例，数据集取自KITTI真值库提点效果自定义算子即训即推3D感知模型在训练过程中会遇到需要开发特色的自定义算子的情况，例如用于过滤重叠三维框的非极大值抑制操作（3D

首届清华AIR-百度Apollo车路协同自动驾驶算法挑战赛于2022年11月26日正式开赛。大赛聚焦行业前沿热点，探索车路协同自动驾驶技术高峰，为各路开发者精英们提供同台竞技的平台。优秀选手们不仅能获得丰厚奖金，还有机会将算法应用于实际业务，拿到清华AIR实习工作Offer，以及顶尖大牛面对面机会。大赛正火热报名中，赶紧前往官网通道报名吧。扫码报名，即可参与瓜分万元奖池大赛背景自动驾驶安全面临巨大挑战，单车智能存在驾驶盲区、中远距离感知不稳定等问题，导致自动驾驶车辆可运行设计域受限，单车智能自动驾驶落地受阻。车路协同将是保障自动驾驶安全运行的必由之路，而数据是车路协同自动驾驶的关键，为促进学术界和产业界共同打造数据驱动的车路协同自动驾驶，清华大学智能产业研究院（AIR）依托北京市高级别自动驾驶示范区，协同百度Apollo共同推出全球首个车路协同自动驾驶数据集DAIR-V2X，共同探索车路协同自动驾驶的落地模式。清华AIR携手百度Apollo基于已开源的车路协同自动驾驶数据集DAIR-V2X共同举办首届车路协同3D目标检测挑战赛，在通信带宽约束下，车端融合路端信息，实现3D目标检测的视觉感知任务。与传统自动驾驶3D检测任务相比，本任务需要解决车端与路端多视角信息融合、数据多模态融合、时空异步、通信受限等挑战，通过设计车路融合感知算法，实现盲区补充、提升感知精度。任务输入：车端数据（图像、点云）、路端数据（图像、点云），以及对应的时间戳和标定文件。任务输出：车端感兴趣区域内的障碍物目标3D位置、朝向等。参赛选手可以利用开源框架OpenDAIRV2X来熟悉和高效使用DAIR-V2X数据集。赛程安排（2022.11-2023.3）A榜阶段：每支队伍每天参与评测的提交次数不超过2次，A榜成功提交的队伍将有资格进入B榜阶段。B榜阶段：为保证比赛公平公正，同时规避作弊风险，举办方将对B榜获奖队伍进行模型及代码审查。

随着AIGC热潮如火如荼的发展，人工智能在越来越多的内容创意领域创造了丰富的交互体验，例如写作、绘画、编曲、视频等都显现出愈发明显的价值，频频带来令人赞叹的作品。不论是内容娱乐行业，亦或是工业制造等产业，AI能力的应用都需要完成一系列环节。从深度学习模型到用户可体验的应用，需要经过模型训练、模型部署、交互设计、环境搭建、应用部署等多个步骤，也需要不同能力的工程师共同协作完成。而这一系列环节，现在，都可以在AI

Studio升级新增两大板块：企业实训和生态异构算力中心。企业实训为企业应用深度学习提供了实训阵地。截至目前，飞桨已与20余家知名企业联合举办赛事，共同探索AI应用方案，培养AI人才。长期以来，AI

近日，清微智能与飞桨签署硬件生态共创计划合作协议，正式加入由飞桨发起的硬件生态共创计划。基于双方各自的技术及领域优势，从边缘计算领域切入，不断吸纳新的技术和应用场景，助力人工智能、高性能计算领域的基础技术和生态建设，加速以可重构计算为基础的软硬件通用计算平台的建设。北京清微智能科技有限公司清微智能是一家以全新架构可重构计算（CGRA）为核心的，为智能计算提供基础算力的芯片企业。核心人员来自清华大学微电子所可重构计算团队。基于被中、美两国同时定义为国家战略技术的可重构计算技术，已量产多款可重构智能计算芯片。可重构计算（CGRA）是一种兼顾灵活性和高能效的新型高算力架构，采用空域并行计算模式，以空域的硬件结构组织不同粒度和不同功能的计算资源。在运行时，根据数据流的特点，让配置好的硬件资源互连形成相对固定的计算通路，以接近“专用电路”的方式进行计算；当算法和应用变换时，再次通过配置，重构为不同的计算通路去执行不同的任务，在实现高算力的同时，兼顾灵活性、高精度和高能效。作为出货量最大的可重构计算芯片企业，清微智能即将推出的云端训练芯片TX8系列，目前已完成产品验证，能有效解决大算力芯片的算力扩展、访存墙、编程墙等痛点问题，克服制造工艺代差，实现算力飞跃。北京清微

3.0千亿参数大模型为师，通过多任务知识蒸馏手段将千亿多任务大模型的所学迁移至轻量级模型中，训练了10亿级、亿级、千万级不同体量大小的轻量级大模型。ERNIE

近日，燧原科技与百度飞桨签署硬件生态共创计划合作协议，正式加入由飞桨发起的硬件生态共创计划，当前双方的合作主要基于燧原科技已量产的第二代训练产品云燧T20和第二代推理产品云燧i20。上海燧原科技有限公司云燧T20是面向数据中心的第二代人工智能训练加速卡，具有模型覆盖面广、性能强、软件生态开放等特点，可支持多种人工智能训练场景。同时具备灵活的可扩展性，提供业界领先的人工智能算力集群方案。云燧i20是面向数据中心的第二代人工智能推理加速卡，具有高性能高能效、模型覆盖面广、易部署易运维等特点，已广泛应用于计算机视觉、语音识别与合成、自然语言处理、搜索与推荐等推理场景。燧原科技

IP在PP-YOLOE、ResNet50、HRNet等模型上的精度、速度等各方面性能表现满足要求，与飞桨的兼容性表现良好，达到了I级适配互认要求，可以满足用户的应用需求。关于Imagination

作为中国最早开源的深度学习框架，飞桨（PaddlePaddle）深度践行开源理念，开放拥抱社区，重视生态构建，与开发者和生态伙伴共成长，已成为国内综合竞争力第一的产业级深度学习平台。截至2022年5月，飞桨平台已凝聚477万开发者，创建56万个模型，服务18万家企业。飞桨平台的快速发展，与开源开放密不可分。在飞桨框架建设中，除了来自百度的工程师外，还汇聚了一批热爱飞桨、热爱开源的开发者，他们正在用自己的方式参与飞桨框架建设，与飞桨共同成长。飞桨快乐开源活动飞桨快乐开源活动旨在鼓励更多的开发者参与到飞桨社区的开源建设中，帮助社区修复bug或贡献feature，加入开源、共建飞桨。为了帮助大家循序渐进地了解、建议、开发飞桨开源项目，我们提供了三种类型的贡献任务，并为完成任务的贡献者准备了礼品表示感谢！任务详见GitHub

图像分割作为计算机视觉的三大任务之一，是智慧城市、工业制造、自动驾驶等领域的一项关键技术。相比图像分类和目标检测任务，图像分割预测输出目标在像素级别的精细信息，在计算机视觉任务中具有不可替代的作用。图1

S系列产品基于MUSA统一系统架构打造，内置现代图形渲染引擎、智能多媒体引擎、AI计算加速引擎、物理仿真及科学计算四大引擎。得益于丰富的模型库支持和先进硬件设计，MTT

众所周知，计算机视觉技术（CV）是企业人工智能应用比重最高的领域之一。为降低企业成本，工程师们一直在探索各类模型压缩技术，来产出“更准、更小、更快”的AI模型部署落地。而在自然语言处理领域（NLP）中，随着模型精度的不断提升，模型的规模也越来越大，例如以BERT、GPT为代表的预训练模型等，这成为企业NLP模型部署落地的拦路虎。

近日，摩尔线程智能科技（北京）有限责任公司（简称：摩尔线程）与百度飞桨签署硬件生态共创计划合作协议，正式加入由飞桨发起的硬件生态共创计划。当前双方的合作主要基于摩尔线程MTT

近日，爱芯元智半导体(上海)有限公司（以下简称“爱芯元智”）旗下自研AI

DocVQA、WebSRC榜单飞桨自然语言处理模型库PaddleNLP第一时间为大家开源了文档智能十一边形战士系列模型。文心ERNIE-Layout多语言跨模态布局增强文档智能大模型

随着人工智能技术飞速发展，大规模预训练模型（以下简称大模型）的出现使零样本建模成为可能。现在，百度飞桨文心大模型为开发者提供多样化的在线API调用、Prompt-tuning、本地API参数调优等服务，助力各位创意大师“花式”完成代码实践、前端页面搭建等任务。现在，已经有飞桨社区开发者基于飞桨框架和文心大模型在零样本或小样本场景下，完成了兼具技术创新与新颖创意的优质项目。为此，飞桨开发者说专栏特别推出文心大模型专题，邀请飞桨社区开发者show出“脑洞”与开发心得，与大家一同探索用文心大模型完成趣味无穷、高实用价值项目的无限可能。作者简介武琪，供职于中国石油集团共享运营有限公司海外财务共享服务中心，从事信息化应用工作，10年前，在吉林大学的研究生课堂上首次接触AI，喜欢利用单片机、Arduino、树莓派完成AI创意，2021年9月加入飞桨社区。剪纸是我国古老的民间艺术。对于民间艺人而言，一张纸、一把剪刀、一套代代流传的精美图样，就能变幻出无穷的剪纸花样。从祝福新人的大红“囍”字，再到迎春贺岁时的锦绣窗花，人们把对生活的美好期盼、把对家乡的无尽思念绘入这精美的艺术中。而现在，文心大模型将这份传统的浪漫与前沿人工智能技术整合，AI画笔让绘制剪纸图样不再是繁琐的工序，而是充满趣味与创新的艺术探索。我使用飞桨框架，结合对文心文生图大模型ERNIE-ViLG的调用，使其能够实现AI一键生成城市特色剪纸图。AI

近日，象帝先计算技术(重庆)有限公司与百度飞桨签署硬件生态共创计划合作协议，正式加入由飞桨发起的硬件生态共创计划。当前双方的合作主要基于Pangu架构系列国产高性能通用GPU产品。象帝先计算技术（重庆）有限公司象帝先计算技术（重庆）有限公司，是中国领先的高性能通用图像处理器（GPU）设计公司。象帝先第一代Pangu架构系列通用图形处理器（GPU）芯片不仅具有超强的图形渲染能力，而且针对人工智能训练与推理、边缘计算等通用计算场景优化，并且支持GPU虚拟化。单芯片FP32算力达到4TFLOPS以上、AI算力达到16TOPS以上，显存容量最高可达16GB，带宽高达256GB/s。象帝先坚持自主创新的原则，以满足国内各行业需求为基础、以成为国际领先企业为目标，致力于为客户提供可用、好用、高性价比的高性能通用多功能GPU和优质的客户服务，集合自主AI框架供应商、中间件供应商、系统集成商，打造自主的国产GPU生态系统，夯实自主可控算力基础设施。象帝先&飞桨在Pangu架构系列通用图形处理器（GPU）芯片微架构设计阶段，象帝先就与飞桨团队密切合作，确保Pangu架构系列GPU芯片对飞桨能够高效支持，并且在Pangu架构GPU芯片的研发阶段就已经开始了与飞桨框架的适配。象帝先加入硬件生态共创计划后，双方将持续深入合作，共同打磨丰富产业级模型库、联合开设深度学习课程、共创繁荣GPU智算生态，帮助开发者基于象帝先GPU和飞桨产品，更简单、更高效的开发更多的创新应用。飞桨（PaddlePaddle）以百度多年的深度学习技术研究和业务应用为基础，集深度学习核心训练和推理框架、基础模型库、端到端开发套件、丰富的工具组件于一体，是中国首个自主研发、功能丰富、开源开放的产业级深度学习平台。目前，飞桨已凝聚477万开发者，基于飞桨创建56万个模型，服务18万家企事业单位。与飞桨适配的硬件厂商数量已经超过30家，飞桨与硬件厂商的合作也进入了新的历史阶段。2022年5月，飞桨携手NVIDIA、Intel、瑞芯微、Arm、Imagination、昆仑芯等国内外共13家硬件厂商联合发布硬件生态共创计划，结合伙伴自有软硬件基础开发栈特色，针对不同应用场景和产品，共同推出厂商定制版飞桨框架，建设开源开放模型库，开发课程与培训内容等，以更好地服务开发者。未来飞桨将联合更多硬件伙伴通过技术的联合研发和生态共建，一起开拓更多软硬件协同的产品和功能，共创合作共赢生态模式。在此，飞桨诚邀更多企业加入硬件生态共创计划，聚生态之力，共同打造软硬一体的全栈式人工智能平台，促进人工智能产业链高质量发展。点击下方“阅读原文”申请加入“硬件生态共创计划”拓展阅读昆仑芯与飞桨完成III级兼容性测试，合力打造全栈式软硬一体AI生态“硬件生态共创计划”成果为人工智能开发者和SoC设计者提供增强支持天数智芯天垓100产品与飞桨完成Ⅱ级兼容性测试，共建人工智能产业生态壁仞科技加入飞桨硬件生态共创计划，共同打造人工智能软硬适配领域新标杆关注【飞桨PaddlePaddle】公众号获取更多技术内容~

智慧城市旨在利用大数据、物联网（IoT）、人工智能和5G等数字技术，提高政府公共服务水平、社会治理效能，推动经济增长，不断增强人民群众的获得感、安全感和幸福感。自十四五规划以来，国家和各大主要城市一直加速推进新型智慧城市分级分类建设，但在实施的过程中也遇到了一些问题和困难。在智慧城市AI部署落地中，常见的问题有边缘设备硬件不统一、跨平台开发成本高和模型推理速度优化难度大等。聚焦到AI系统的使用者本身，智慧城市的落地也有很多阻碍，比如环境工程师在户外采集数据时，如果要做到实时采集实时分析存储入库，必须要背上配有显卡的工作站到户外，同时还要带上XXXXL号移动电源解决供电问题。其重量对环境工程师而言无疑是超负荷的。为了解决软件工程师开发难度大的问题，本方案演示了FastDeploy

一架飞机要在天空中安全飞行，背后需要复杂而繁重的“地面工作”。为了保障飞机安全，航线维修人员从凌晨四点就要开始早班，在每架飞机起飞前、降落后进行全面的检修，涵盖几十个检查项目、涉及成千上百个零件，这个过程中容不得一丝错漏。根据民航业有名的墨菲定律，人工检修很难做到100%不出差错。能不能用AI来辅助航线维修员工作，为飞行安全加一道智能防线？没有专业的算法团队、不太熟悉写算法程序，能开发出辅助检修的AI应用么？四川赛福威飞机维修服务有限公司的IT项目负责人杨剑，就面临了这样的双重难题。在机缘巧合了解和尝试百度飞桨EasyDL零门槛AI开发平台后，毫无AI算法经验的杨剑仅凭一人就开发出一套机务维修安全卫士系统，并在其中加入AI空速管套检测和飞行记录本检测等实用功能，已在长沙黄花机场实现落地应用，为飞行安全建起一道智能防线。机务维修安全卫士系统主页小工具大保障AI为航线维修员加智能BUFF2019年，杨剑与AI结缘，始于想检测飞机上的盖板是否盖好。“当时就是想是否能通过AI来实现飞机盖板状态的检测，也比对了不少技术和产品。”杨剑坦言，仔细研究了几家之后发现了百度飞桨EasyDL平台的一个突出优势：即使不会算法，也能上手进行AI应用的开发。在AI方面并无技术积累，公司也没有专业的算法团队，杨剑思索后果断选定了百度飞桨EasyDL。清晰简便的流程指引让杨剑很快上手，创建出了飞机盖板检测的模型。彼时，杨剑正在为长沙黄花机场搭建一套飞机维修安全卫士系统。是否能基于百度飞桨EasyDL，对飞机维修过程中的关键环节做一些AI检测功能的开发？有了先前的尝试经验，吃下了“定心丸”的杨剑决定一试。很快，飞机空速管套和飞行记录本的检测识别成为他的“改造”首选。飞机上的空速管空速管是飞机上极为重要的测量工具之一，主要用于测量气流总压和静压，通过大气压力变化率等信息，计算得出飞机速度等数据。空速管一旦出现问题，将直接影响飞机速度的测量，为飞行员提供错误的飞机速度，导致飞行风险的发生。历史上，因为空速管结冰、堵塞等问题导致的空难不在少数。飞机降落后置于地面休息时，检修员需要为空速管套上套子，防止蚊虫等进入管子或低温导致空速管结冰堵塞。航行前，则需要将空速管套取下，确保空速管可以在飞机航行时准确测量飞行速度。“空速管的检测非常重要，也有大量的图片数据支撑模型训练，是可行的一条路子。”选定百度飞桨EasyDL的目标检测模型后，杨剑上传并标注了几百张空速管和管套的图片，仅用几天时间便完成了空速管检测模型的训练，平均准确率达到了95%以上。经过持续迭代和优化，空速管套AI检测的功能在2022年已正式上线机务维修安全卫士系统，辅助机务维修人员进行检查。现在，维修人员只需对飞机每个空速管位置以及取下的空速管套现场拍照，并将图像上传至机务维修安全卫士系统，系统检测核对无误后，飞机方可放行。航后检修验收工作中，只要有一个空速管没有被套子保护起来，航后工作便无法完成，AI与维修人员为空速管的检测上了双保险。机务维修安全卫士系统对飞机空速管和管套检测飞行记录本是杨剑瞄准的另一个目标。当机务维修人员完成检查并处理完故障维修后，会进入飞机驾驶舱在飞行记录本上填写相关信息并签名，只有确认了这个签名，机组才能执行下一次飞行任务。杨剑同样基于百度飞桨EasyDL打造了签名识别模型，AI能够精准识别维修人员是否在飞行记录本上规定区域完成了签字动作，记录签字时间，并将已签字的图片信息发送至对应群组。飞机状况、放行时间一目了然，极大提升了机务工作效率。对签名进行识别没有专业的算法团队也能将AI进行到底目前，杨剑打造的机务维修安全卫士系统里均已上线了这两项基于百度飞桨EasyDL打造的AI检测功能，并且顺利落地长沙黄花机场，机务维修人员每日的检修工作中都在使用。除了提高效率，辅助维修人员维护飞机安全之外，杨剑还发现了意外收获。“为了让AI实现更好的检测效果，维修人员在对空速管、飞行记录本进行拍照的时候也需要注意一些特定的角度、距离，这样也规范了他们的操作，新员工上岗培训也有了规范可参照。”仅凭一己之力，不需写算法就完成机务维修安全卫士系统中AI相关功能的开发——这看似不可能实现的任务，却让杨剑借助百度飞桨EasyDL成功拿下。杨剑所遇到的难题并不是个例：不具备算法团队、不精通写代码、更没有大把预算……广大中小企业在智能化应用实践过程中，这些问题随处可见。而杨剑的探索和经验，也趟出了一条经验之路。百度飞桨EasyDL作为面向企业的零门槛AI开发平台，零算法基础也可以定制高精度AI模型。基于产业实践的开源开放深度学习平台飞桨，EasyDL内置了丰富的百度大规模预训练模型，支持自动化模型调优，实现了智能标注、模型训练、服务部署等一站式操作，能够为企业提供相当于“一整个算法团队的能力”。在民航业，除了空速管套检测和飞行记录本检测场景，基于百度飞桨EasyDL的飞机“螺丝松动”检测等场景也在陆续落地。而关于未来，杨剑还有更多AI+航空的探索灵感：飞机检修还有很多环节亟待AI的加持，是否能有一套更智能的AI平台系统将机场各个数据打通分析……插上“飞桨”，或许能让天空中划出更耀眼的弧线。【百度飞桨EasyDL帮助检查飞机“螺丝松动”状况】【招募金牌体验官】百度飞桨EasyDL金牌体验官来啦！为给企业开发者提供更好的产品及体验，邀请您在百度飞桨EasyDL零门槛AI开发平台进行模型开发体验，并参与反馈产品体验问卷，还可获得50元京东卡、小度熊等奖品哦，快来参加吧~拓展阅读立体仓库货物识别率99.9%！AI让仓储管理事半功倍AI+基建，微柏软件携手飞桨EasyDL铸造智慧梁场效率提升98%！高海拔光伏电站运维巡检背后的AI利器当AI走进工厂，“小轴承”也可以转动“大产业”“飞桨+辨影相机”成为AI界的“预制菜”，工业AI质检落地更简单工业零部件AI视觉质检方案详解，15分钟上手瓶盖瑕疵质检全流程方案关注【飞桨PaddlePaddle】公众号获取更多技术内容~

近日，昆仑芯（北京）科技有限公司的第二代云端通用人工智能计算处理器昆仑芯2代AI芯片及AI加速卡与飞桨完成III级兼容性测试，兼容性表现良好。>本次III级兼容性测试完成了包括PP-YOLOE、PP-OCR、ERNIE

精度54.7mAP，相较YOLOv7提升1.9%L版本端到端推理速度42.2FPS训练速度提升3.75倍COCO数据集仅需20epoch即可达到50.0mAP下游任务泛化性最高提升8%10+即开即用多端部署Demo这究竟是什么模型，竟可达到以上效果？答案是：PP-YOLOE+PP-YOLOE+是基于飞桨云边一体高精度模型PP-YOLOE迭代优化升级的版本，具备以下特点：超强性能表格1：PP-YOLOE+与PP-YOLOE性能对比*备注：上表中的数据均在V100上测试所得，V100

随着大数据、人工智能等数字技术在农业领域的渗透和应用，智慧农业开始从理论概念慢慢走向应用落地，我国的传统农业也逐步迈向智慧农业时代。发展智慧农业是数字乡村建设的重要内容，有助于我国破解“三农”难题，实现农业全产业链的现代化升级转型。但在AI转型实践中，农林企业往往会遇到很多技术问题，AI模型部署就是其中难度相对较高的一环。场景难点模型部署是AI开发的“最后一公里”，但往往这最后一步成了很多产品开发团队加班加点攻关解决的难题，主要的难点有以下几个方面：难点一：硬件产品开发需要软硬件工程师协同，同时软硬件工程师还要熟悉AI开发技术栈，本来大多数农林企业中就没有完整的人才配套，懂AI的软硬件工程师更是少之又少。难点二：做落地的工程对AI工程师的技术栈要求高，除了要懂基础开发之外，还要熟悉模型转换、压缩、优化、部署上线等技术内容。难点三：市场上开发板的品牌型号非常多，芯片架构各异，往往为了适配某种开发板而多写很多底层代码和转换模型，难度大、耗费精力多而且不一定适配成功。另外，如果项目需要更换其他型号的开发板，原本适配的代码往往不能直接迁移到其他型号的开发板上。为了解决AI模型在落地中遇到的诸多问题，本文使用全场景AI推理部署套件FastDeploy来实现农业AI模型部署落地，并与之前使用的部署方案进行对比。本文共分为四大版块：原部署方案，FastDeploy部署方案，FastDeploy+

继上一篇典型案例及API功能介绍，本篇重点讲解飞桨核心框架为支持科学计算任务在技术上的创新工作与成果。框架技术创新飞桨科学计算套件赛桨PaddleScience底层技术依赖飞桨核心框架。为了有力地支撑科学计算任务高效训练与推理，飞桨核心框架在自动微分、编译器、执行器和分布式等多方面分别进行了技术创新。值得一提的是，自动微分在机制上的革新带来了框架计算量方面的优化，结合自研编译器CINN的加持，在典型科学计算任务2D定常Laplace模型上达到业界性能最优。自动微分飞桨核心框架在2.3版本中针对自动微分机制和自动微分API提供多种技术创新。自动微分机制自动微分在机制方面，通过设计自动微分基础算子体系，并在其上定义linearize和transpose程序变换规则。飞桨在静态图中新增对前向微分的支持，实现前反向不限阶的自动微分机制。创新后的自动微分机制具备良好的算子支持扩展性，目前已经支持全连接网络，并在2D定常Laplace、3D定常圆柱绕流等典型科学计算任务上完成验证工作。目前的自动微分机制设计流程为：用户完成前向组网后，会首先将前向过程对应的网络转化到自动微分基础算子体系上，然后多次调用linearize和transpose两种程序变换实现高阶前向/反向微分，最后将网络整体转化到飞桨原生算子体系上完成组网或者对接编译器进行更多优化。该机制将计算拆分到更细的粒度，由于引入并合理使用切空间（前向微分空间）信息，相对于原有的自动微分机制有计算量上的优化，在2D定常Laplace模型上实测有最大1.58倍性能提升。自动微分API在自动微分API方面，飞桨为外部用户新增2个自动微分API，分别是前向自动微分forward_grad与反向自动微分grad两种接口，均支持高阶微分。为了方便用户使用，同时提供Jacobian、Hessian的求解，支持按行延迟计算，在复杂偏微分方程组中显著提升计算性能。另外，也公开了实现此次创新后的自动微分核心机制API

Zoo旨在维护和管理通过Imagination神经网络计算SDK验证的飞桨模型，包括模型性能评估和模型部署的参考实例。通过导入飞桨学术前沿和工业场景验证的模型库，Model

真空环境中，火箭发动机喷流向外部环境自由膨胀形成羽毛状流场，称为真空羽流[1]。真空羽流对航天器产气动力、气动热、污染、电磁干扰和视场干扰等效应统称为羽流效应。羽流效应会干扰航天器正常工作状态，甚至影响航天器寿命和任务成败。因此，真空羽流及其效应评估和防护是航天领域的重要科学和工程问题。本文作者：张百一，北京航空航天大学博士研究生、飞桨开发者技术专家（PPDE）项目意义当前，我国正在开展载人登月关键技术攻关，真空羽流与月尘相互作用评估及控制是其中一项关键技术。真空羽流与月面作用会激起月尘，引发仪器读数错误和视野遮挡等问题，因此实时预测羽流场及月尘可为保障航天员/航天器安全及任务成功提供关键数据支撑[2]。但受限于计算效率，当前的主流数值模拟方法——直接模拟蒙特卡洛（Direct

库存是影响企业利益的关键因素之一，库存管理直接关系生产、销售等活动能否正常运转。以电信运营商为例，每年，北京电信大量的库存产品，包含手机终端、泛智能化产品、路由器、光猫、UIM、通信设备等品类，这些库存产品需要分配到北京丰富的仓库当中。面对数量庞大的库存产品，如何优化配置产品进货策略、库存分配策略、整体的最优成本测算？在数字化经济高速发展的背景下，智能化系统对于企业库存管理来说势在必行。对于客户需求预测这一决定库存管理的重要环节，北京电信云网运营算法工程师孙启仁使用百度飞桨打造主动型库存决策分析系统，现已用于辅助企业进行产品进货和仓库分配等高阶决策支持，提升消费者购物体验的同时，也为企业节省了大量库存成本。控制成本库存管理需要更明确的“工作指南”通常，库存管理者会根据各产品的日常销售等情况对未来一段时间内客户的需求量预测，再决定进货策略。但这种方式会造成的客户需求量预测不准确、产品进货和分配理论支撑薄弱、新品初始进货量难以确定等问题，提高企业库存成本。要实现良性的库存管理，关键点在于如何对品类繁多的产品，决定恰当的进货时机，进行合适的种类、数量配比。孙启仁的日常工作便是工程流程数字化、智能化升级。如何提高客户需求量预测精准度？孙启仁所在团队的策略是开发一套以数据为基础的主动型库存决策分析系统。起初，他们使用传统的管理科学工程工作算法进行模型搭建，虽然效果比人工预测略有进步，但某些场景的预测依然偏差较大。偶然的一次机会，孙启仁在朋友口中了解到百度首席AI架构师培养计划AICA，便带着用AI方案提升客户需求量预测的紧迫任务，搭上了第五期AICA培训课程启动前的最后一班车。用飞桨打造智能库存决策分析系统有效降低库存成本在AICA的课程过程中，围绕库存管理系统智能化升级这一课题，孙启仁在百度工程师指导下，基于飞桨尝试打造“主动型库存决策分析系统”。库存管理主要包含两大方向的工作，一方面聚焦实现数据的有效管理，如产品入库、出库、调拨的自动化记录；另一方面，通过仿真、数学建模、AI算法实现客户需求预测，涉及到后续如何选择合适的进货时机和进货数量、分配，以及最优成本的测算，也就是一套“主动型库存决策分析系统”。从实际问题出发，孙启仁和团队将实现“主动型库存决策分析系统”的构建拆分为四个步骤：汇总数据、算法实施、客户需求量预测、最终实现主动型库存产品决策分析。在算法实施方面，团队使用飞桨开源的时间卷积网络TCN、长短期记忆网络LSTM、时序预测算法等对汇总起来的产品历史销量、产品属性等数据进行聚类和特征提取，结合运筹算法中的库存策略算法、最优成本测算模型、自研库存分配模型等关键技术，优化了传统库存管理算法下无法迅速根据需求波动做出反应的弊端，在多端多平台上实现快速部署和模型迭代。在丰富友好的说明文档和项目指导之下，孙启仁和团队用飞桨的算法集成和Paddle

在人工智能领域，深度学习平台的重要性毋庸置疑。飞桨是百度自研的深度学习平台，飞桨社区的开发者基于飞桨平台积极的将自己的智慧应用到前沿技术的研究中，为人工智能长期研发目标贡献自己的力量。为此，飞桨开发者说专栏推出论文专题，给予飞桨社区开发者一个平台，介绍学术研究的最新发展动向，分享在学术研究方面的经验。本期文章将为大家分享飞桨开发者技术专家（PPDE）陈千鹤发表于CHI

深度学习以网络结构繁杂和参数多著称，这导致开发者在模型训练过程中难免遇到调参方向不明和性能消耗难以优化等问题，大幅降低开发效率，因此模型训练调优的过程也被业界戏称为“炼丹”。随着深度学习技术在各行各业的渗透愈来愈深，如何缩短深度学习产业落地的耗时成为了近年来大家尤为关注的问题。正所谓“工欲善其事，必先利其器”，

立体仓库是采用几层、十几层乃至几十层高的货架储存单元货物，用相应的物料搬运设备进行货物入库和出库作业的仓库。随着人工智能、物联网、大数据等新技术的广泛应用，立体仓库由单一存储向多功能、智能化仓储物流转变。一方面提升物流行业运营效率，另一方面打通工厂生产和物流环节，缩短多功能物流库建设周期。仓储智能化从立体仓库看企业转型升级物流系统前端对接原料采购，中间连接产线制造，后端承接成品配送，是保证工厂稳定、高效运行的基础。“智能立体库”基于智能存储设备同计算机管理系统协作原理,

新基建时代，AI不断赋能数字经济的发展与升级。正在通过物联网等技术感知各施工环节，进行作业全生命周期管理转型升级的梁场也不例外，AI正在为其插上数字和智慧的翅膀，推动梁场生产管理模式的变革和发展。根据国家“双碳”战略的规划要求，桥梁施工中梁片集中预制生产模式的优势日益突显，也是建筑工业化发展的必然趋势。而每一片梁的生产，都要经历技术准备、钢筋绑扎、混凝土浇筑、养护、张拉、压浆、封端、验收等过程，然后转移至存梁区，最后踏上由半挂平板车和炮头车组合成的运输车，就这样一片片梁被源源不断的运到线路，用坚固的“身躯”，筑起国家的命脉。生产过程如此漫长，生产工序如此复杂，如何提高梁场的管理水平和生产效益，在新基建时代寻求突破，是肩负重大生产任务的梁场首要解决的问题。下面，以汉巴南铁路的蓬安制梁场为例，我们来看看AI究竟给梁场生产带来了什么样的变化。一天2片梁，最大存量147片时间紧、任务重，一座梁场如何求变汉巴南铁路作为连接陕西汉中与四川巴中、南充的高速铁路，全线共设有三座梁场，蓬安制梁场就是三座梁场中占地面积最大、产梁量最多的一座。蓬安制梁场单日生产量为2片，最大存量有147片。在传统梁场生产管理工序中，由于技术成熟度低、系统操作上手耗时长、生产动态监控不及时等原因，往往造成人工过多投入、材料损耗严重、管理效能低，导致梁场生产成本高、效率低。“时间紧、任务重”，当遇到一个个项目时，每一位工程人都会发出这样的感慨。如何在确保施工人员安全和工程质量的前提下，迅速提高产梁效率和降低管理成本，是本项目重大的挑战。以智提效，准确率高达98%

9月2日，由深度学习技术及应用国家工程研究中心主办，百度和张江集团承办的2022世界人工智能大会“软硬协同赋能产业未来专题论坛”成功举行。百度飞桨携手硬件生态伙伴和行业资深专家学者，深入探讨软硬融合创新实践和生态共创共赢的发展路径，赋能千行百业。上海市浦东新区副区长吴强发表致辞上海市浦东新区副区长吴强在本次论坛的致辞中诚邀各方参与到浦东新区人工智能软硬件的协同发展中来，共同打造国际领先的人工智能自主创新策源地、应用赋能先行地、全产业链集聚地。百度技术委员会理事长陈尚义致辞百度技术委员会理事长陈尚义在致辞中表示，为促进人工智能软硬件协同发展，百度正在持续提升芯片、框架、大模型等关键核心技术的创新和供给能力，通过硬件设计与软件算法融合，让AI应用的效果和性能加倍提升。复旦大学微电子学院院长张卫论坛邀请了复旦大学微电子学院院长张卫分享了集成电路行业领先的科研成果，他在专家报告中强调，人工智能技术将在集成电路核心工艺及制造流程的多个方面赋能，大大提高技术演进的效率。从“共聚”、“共研”到“共创”，飞桨持续推动软硬一体生态协同发展作为下接芯片、上承应用的AI工业大生产平台，飞桨深度学习开源开放平台是实现硬件跨平台统一、高效发挥性能并支撑各类AI应用开发的共性平台。百度AI技术生态总经理马艳军表示，过去几年，飞桨技术不断升级迭代，一方面为深度学习技术的开发优化提供支持，另一方面让人工智能技术的应用门槛逐渐降低。过去3年，飞桨联合硬件生态伙伴，通过技术的联合研发和生态共建，携手开拓出了更多软硬件协同的产品和功能，聚生态之力促进人工智能产业繁荣发展。截至目前，与飞桨展开合作的国内外硬件厂商数量已超过30家。百度AI技术生态总经理马艳军发表主题演讲据马艳军介绍，飞桨与硬件生态伙伴的合作逐年深入，经历了“共聚”、“共研”、“共创”三个阶段。今年5月，飞桨携手NVIDIA、Intel、瑞芯微、Arm、Imagination等国内外硬件厂商联合发布“硬件生态共创计划”，结合伙伴自有软硬件基础开发栈特色，针对不同应用场景和产品，共同推出厂商定制版飞桨框架，建设开源开放模型库，开发课程与培训内容等，以更好地服务开发者。截至目前，加入飞桨“硬件生态共创计划”的成员企业已有17家，其中超半数来自上海。目前，飞桨正与上海市浦东新区密切合作，在企业、教育、开发者等方面实现立体赋能。飞桨与浦东新区联合推动区域产业智能化发展，共同打造了全国首个飞桨人工智能产业赋能中心，并在浦东新区“大企业开放创新中心计划”（简称GOI）引领下，在今年2月启动“百度飞桨大企业开放创新中心联合赋能计划”，携手国家集成电路创新中心、浙江大学上海高等研究院等7家GOI伙伴开展联合赋能。从源头优化AI部署，飞桨联合硬件生态伙伴探索软硬协同新模式本次论坛上，5家飞桨硬件伙伴代表分别介绍了双方融合创新的最新进展。从左到右，从上到下分别为：Intel中国区超大云计算软件架构总监魏彬、NVIDIA中国区资深产品负责人郑彬、芯原股份机器学习软件副总裁查凯南、黑芝麻智能首席市场营销官杨宇欣、昆仑芯科技芯片首席架构师顾沧海自2017年合作至今，百度飞桨与Intel

Encoder模块使用unpad优化后，端到端获得了大约2.3倍的性能提升。变长Attention计算优化在变长输入下，很难实现出一个适合所有序列长度分布的、统一的最优CUDA

电容和电感，是电子产品电路板中最常见的基础元件，也是支撑电脑、手机、空调等各种电子设备正常工作的关键要素。目前，智能设备升级迭代节奏的提升，电子元器件的需求也愈加旺盛。以手机为例，一部5G手机中的电感则超过170颗；电容约1000个，比4G手机增加30%。电容、电感数量的增多，意味着所需元件尺寸的缩小。在电容、电感制造过程中，面对这些种类繁多、尺寸“迷你”的元件，想要通过传统的人工测检来发现瑕疵，不仅容易漏检、误检，质检效率也十分有限。形态各异的电容电感元件AI技术尤其是深度学习的不断发展，为电子元件瑕疵检测开拓了新路径。基于产业级深度学习开源开放平台百度飞桨，专注于高端智能视觉检测设备的广东荣旭智能技术有限公司开发出一套高检出率、高速的电子元器件外观瑕疵检测系统，大大降低研发和质检成本，同时，瑕疵检测率提升到99.98%以上，助力工业自主智造把好“质量关”。小微元件视觉质检寻求新解法广东省是我国制造业大省，也是电容电感等电子元器件制造商的重要聚集地，代表性企业包括顺络电子、麦捷科技等行业龙头，其中顺络电子为目前中国内陆营收规模最大的电感企业，部分产品已经实现全球出货量第一。面对如此庞大的生产出货量，电容电感元件的质检也面临极大的挑战：电容电感外观缺陷类型多，例如划痕、崩缺、裂纹、脏污等，每种瑕疵的深浅、大小和位置都不确定，想要精准识别出尺寸极小的元件上各种类型的瑕疵难上加难，漏检、误检率较高。电容电感元件如果没有通过质检关，意味着自主制造缺失了关键的最后一环。以汽车的电感为例，如果将外壳带有裂纹瑕疵的电感安装到汽车上，汽车行驶过程中产生的震动会导致电感裂痕扩大甚至破碎，可能会导致安全事故。电容、电感的质检主要依赖人工目检与传统视觉检测方案。“对电感外壳裂纹、尤其是暗纹这类瑕疵的检测，由于裂纹处颜色和壳体背景颜色几无差别，传统视觉检测系统基本无法区分；而人工目检方式很难实现高效检测。”荣旭智能业务副总李强解释道。目检工作者作为视觉检测起家的高新技术企业，荣旭智能从事外观视觉检测软件开发已近十年。一边在产业实践中观察需求和痛点，一边在前沿技术上探索创新，荣旭智能逐渐意识到，深度学习技术对产品检测方案的开发或许是一个新出路。强强联合守护自主智造最后一道关卡“机器视觉行业里，国外有非常多优秀的企业和成熟的产品。我们还能做什么？”专注于高端智能视觉检测设备与软件开发，荣旭智能秉持为中国制造业降本增效的初心，从2017年开始与几家国外公司合作探索利用新AI技术进行产品外观检测系统开发。用时半年、投入大量人力物力，终于实现产品外观瑕疵检出率80%的成果，比对传统视觉检测实现了不小的提升，荣旭智能的这套方案也真正应用落地。然而，这一检出率距离真正的行业标准仍有很大的进步空间——质的变化是难以逾越的高峰。恰巧，此时荣旭智能算法工程师团队收到了一条“安利”：或许可以试试国产的深度学习开源开放平台百度飞桨？抱着对国产技术和平台的期待，荣旭智能很快在尝试中收获了全新认知：“深度学习算法在检测精度的板块已远远超越人的判断。”荣旭智能业务副总李强在飞桨中国行活动分享经验基于飞桨，荣旭智能开发搭建起Tensor

近日，由工业和信息化部信息中心、百度公司主办的第七届“创客中国”人工智能创新应用产业链赛道赛（百度）复赛圆满结束。路演精彩集锦左右滑动查看更多高水平、强实力的中小企业和创新团队相互交锋......赛事亮点精彩纷呈带上一颗好奇与激动的心一起来围观！两大产业方向命题“发榜”排位赛竞技争锋

近日，上海天数智芯半导体有限公司（以下简称“天数智芯”）的云端训练通用GPU产品-天垓100产品与飞桨已完成Ⅱ级兼容性测试，兼容性表现良好。上海天数智芯半导体有限公司天数智芯的天垓100产品是中国目前率先实现量产的通用GPU产品[1]，采用7纳米制程工艺和2.5D

守护每个社区的安全是件大事，也是极为费力的事。从轮流值班巡逻，到轮班查看闭路系统，双脚丈量四方社区、双眼兼顾上百个视频画面，不仅要耗费大量人力，同时也有可能因人员疲劳、疏漏导致安全风险和事故。如何让社区管理更加智慧、高效？在百度飞桨的技术加持下，上海天覆信息科技有限公司针对社区安全管理预警研发了一套“AI云卫士”产品，利用社区原有设备等电路系统，能够精准高效地识别电瓶车进电梯、高空抛物等危险行为，大大提升了社区安全管理效率与敏捷度，降低安保人员劳动强度。天覆科技获2021年飞桨产业应用创新奖眼观六路及时预警的“虚拟保安”居住社区是城市居民生活和城市治理的基本单元。传统公共安全视频设备的出现，一定程度上解放了社区安保人员的“双脚”。然而，面对数量众多的视频画面，安保人员还是分身乏术，人员出入管控、车辆停放管理、环境安全预警等典型场景并发，根本难以兼顾。实时发现、及时处理安全隐患仍是社区管理的“老大难”。近年来，以深度学习为核心的人工智能技术不断取得突破，公共视频系统高效、精准识别安全隐患并及时报警成为可能。基于深度学习技术，天覆科技打造了一款实时发现、处置安全隐患的智慧管理SaaS服务平台——“AI云卫士”，部署在原有视频设备上，即可自主识别异常情况并进行报警提示。天覆科技CEO张战韬说，“AI云卫士”的职责就是全天候主动捕捉异常情况，通过报警提示安保人员及时处理，相当于一个虚拟“保安”。社区场景复杂、长尾，管理难度也在不断升高。2020年初，疫情对社区安全管理提出新要求，出入人员是否正确佩戴口罩成为社区安全管理的重要一关。要在“AI云卫士”系统中快速上线口罩检测这一全新功能，对于缺少相关模型和数据支撑的天覆科技而言，成了棘手的问题。在这样的紧急需求下，天覆科技想到向国内深度学习框架平台求助，一番搜索之下便找到了飞桨。飞桨加持

近日，上海壁仞智能科技有限公司正式加入由飞桨发起的硬件生态共创计划，当前双方的合作主要基于BR100通用GPU芯片系列产品。上海壁仞智能科技有限公司上海壁仞智能科技有限公司BR100通用GPU芯片主要针对人工智能训练与推理等云端部署通用计算场景开发，支持单节点最高8卡全互连，互连带宽达到512GB/s。BR100是国内率先采用Chiplet技术，率先采用新一代主机接口PCIe

接口将其指定到对应边界即可。对于PDE，以类似方式增加了初值条件模块。深度学习方法求解模块上一章节介绍了如何使用赛桨定义科学计算问题，本章节继续介绍深度学习方法求解上述科学计算问题所需使用到的模块。

众所周知，YOLO系列算法在检测场景中获得了广泛应用，但是工程师追求“更准、更小、更快”的效率能力永无止境。本文为大家介绍一个低成本、高收益的AI模型自动压缩工具（ACT,

近日，百度发布了基于飞桨深度学习框架的开源时序建模算法库PaddleTS，专注于为产业提供先进及实用的时间序列深度学习模型，助力工业、能源、金融等领域专家和行业用户快速实现时间序列模型的开发和应用。时间序列数据在各领域中无处不在，如物联网传感器的测量结果、每小时的销售额业绩、金融领域的股票价格等等。时间序列预测就是运用历史的多维数据进行统计分析，推测出事物的发展趋势，在预测性维护、智慧能耗分析、价格销量预估等场景有极大的应用价值。随着人工智能技术的快速发展，相较于传统模型，采用机器学习模型来解决时序预测问题成为主流方式，机器学习具有拟合能力较强、解释性强等优势，但存在需要人工设计特征，灵活性不足等问题。随着企业面临的复杂时间序列预测场景越来越多，复杂时序预测场景下的长时序、多变量、非平稳等特性严重影响模型预测的精度。这要求模型具有较强的解决长距离依赖问题的能力，可以捕捉和利用多变量之间的动态相关性。传统的机器学习模型无法有效的解决这些问题，而深度学习的发展恰好为时序分析预测提供了新路径。深度学习天然契合时序问题，具有拟合能力强、表达能力强、灵活度高等特点，能够适应复杂的应用场景，具有更高的效果潜力。百度最新开源发布的PaddleTS可以帮助开发者实现时序数据处理、分析、建模、预测全流程。PaddleTS的四大特点统一的时序数据结构实现对多样化时序数据的表达，支持单目标与多目标变量，支持多类型协变量；全面的基础模型功能数据加载、回调设置、损失函数、训练过程控制等公共方法，帮助开发者在新模型开发过程中专注网络结构本身；丰富的数据处理和分析算子包括缺失值填充、异常值处理、归一化、时间相关的协变量提取等数据转化算子，数据统计量信息及数据摘要等分析算子，帮助开发者便捷实现数据探索、处理、分析全流程；领先的深度时序算法集成了多种业界最新的深度时序建模算法，方便开发者灵活使用，包括：N-BEATS: