Auto Byte

专注未来出行及智能汽车科技

微信扫一扫获取更多资讯

Science AI

关注人工智能与其他前沿技术、基础学科的交叉研究与融合发展

微信扫一扫获取更多资讯

专注AI框架与数据开源生态,这场技术工作坊邀你来看!

今年3月,华为MindSpore正式开源,备受广大开发者的关注。这一国产开源框架已经获得近5万名开发者下载使用,累计PR数超过1万。MindSpore有三大创新:全流程极简,多套件打造极致开发体验;全自动并行,最大释放集群算力;全场景协同全场景协同,智能匹配端、边、云多样设备。MindSpore还有哪些更多特性?如何助力行业落地应用?在WAIC开发者·2020上海临港人工智能开发者大会上,华为AI专场技术工作坊将为开发者带来详解。

华为AI专场技术工作坊以「AI框架与数据开源生态」为主题,邀请到华为计算开源开发与运营部副总监黄之鹏,上海交通大学副教授、博士导师蒋力,Jina AI 联合创始人兼首席技术官王楠,Zilliz合伙人、技术布道师顾钧,MindSpore高级工程师与社区布道师吴丹萍齐聚大会现场,围绕MindSpore,五位专家将结合自身技术实践分享开源心得。

12月26日下午,华为AI专场技术工作坊日程如下:

作为一场技术分享与动手实践相结合的开发者盛会,本次大会除了干货满满的技术分享,在技术工作坊之外,华为AI专场还为开发者设置了一场黑客马拉松,优胜团队TOP3还将分别获得5000元、3000元、1000元的现金奖励。

赛题:MindSpore与DGL对接开发大赛

MindSpore是华为开源的一款支持端边云全场景的深度学习训练推理框架,目前已发布了1.0 版本,具有自动并行、二阶优化、图算融合等优异特性,图神经网络是当下最前沿的人工智能成果之一。其在社交网络、推荐系统、分子医药等等领域都取得了不俗的成绩,DGL是一款开源的深度图神经网络库。在本挑战赛中,挑战者将从零开始,学习最基本的MindSpore和DGL在CPU上的构建,并尝试通过dlpack和backend面向MindSpore的实现,完成MindSpore与DGL的基础对接。

报名要求

•队伍人数:2到3人

•具备技能:熟悉Python。对MindSpore和DGL有一定了解。

比赛时间安排

18:00 - 18:30  介绍比赛赛题、MindSpore以及DGL入门。

18:30 - 19:30  热身题:MindSpore以及DGL在CPU上的构建及运行。

19:30 - 20:50  挑战赛:完成面向MindSpore的dlpack和backend实现,完成MindSpore与DGL的基础对接。

20:50 - 21:00 公布挑战赛获胜者。

评判标准:参赛队伍需当场演示对接集成代码和运行结果。如果可以完成简单的训练过程则加分。每个队伍可以反复提交。完成度最高的队伍为最终获胜者。

关于WAIC开发者·2020上海临港人工智能开发者大会

作为「WAIC开发者日」的重要延续,WAIC开发者·2020上海临港人工智能开发者大会将于12月26日在临港举行。本次大会由世界人工智能大会组委会指导,上海市经济和信息化委员会、中国(上海)自由贸易试验区临港新片区管理委员会、临港集团主办,机器之心承办。

大会以「智能化转型的技术之道」为主题,面向全球AI开发者与技术爱好者,设有主论坛,4场技术工作坊和2场黑客马拉松。

其中,华为AI专场技术工作坊,将于12月26日下午14:00-17:00举行,AI技术盛宴一触即发,精彩满满,期待你的到来!

识别二维码,立即报名!

产业MindSpore华为
相关数据
华为机构

华为创立于1987年,是全球领先的ICT(信息与通信)基础设施和智能终端提供商。

https://www.huawei.com/cn/
深度学习技术

深度学习(deep learning)是机器学习的分支,是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。 深度学习是机器学习中一种基于对数据进行表征学习的算法,至今已有数种深度学习框架,如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

推荐系统技术

推荐系统(RS)主要是指应用协同智能(collaborative intelligence)做推荐的技术。推荐系统的两大主流类型是基于内容的推荐系统和协同过滤(Collaborative Filtering)。另外还有基于知识的推荐系统(包括基于本体和基于案例的推荐系统)是一类特殊的推荐系统,这类系统更加注重知识表征和推理。

图神经网络技术

图网络即可以在社交网络或其它基于图形数据上运行的一般深度学习架构,它是一种基于图结构的广义神经网络。图网络一般是将底层图形作为计算图,并通过在整张图上传递、转换和聚合节点特征信息,从而学习神经网络基元以生成单节点嵌入向量。生成的节点嵌入向量可作为任何可微预测层的输入,并用于节点分类或预测节点之间的连接,完整的模型可以通过端到端的方式训练。

推荐文章
暂无评论
暂无评论~