Публикации по теме 'intel'
Как оптимизировать производительность автоматического распознавания речи с помощью MKL
Примечание. Эта запись в блоге содержит несколько сокращений. Если вы почувствуете себя потерянным, внизу страницы есть глоссарий.
В Speechmatics мы постоянно ищем способы повысить точность и эффективность наших языковых продуктов. Мы делаем это несколькими способами:
Сбор более полезных данных. Языковые пакеты обучаются на данных из различных источников. Важно, чтобы эти данные отражали варианты использования наших клиентов. Например, важно, чтобы мы могли распознавать..
Введение в Intel OpenVINO Toolkit
Меня выбрали для участия в Программе стипендий Intel Edge AI от Udacity после успешного завершения базового курса, где они предоставили нам краткое введение в основы набора инструментов Intel OpenVINO, я был выбран для участия в Intel Edge AI для разработчиков Интернета вещей Nanodegree Program.
В этой статье мы собираемся изучить основы инструментария OpenVINO.
Прежде чем погрузиться в OpenVINO, давайте сделаем небольшое введение в то, что такое AI at the Edge?
Что такое..
Ускорение обучения модели sklearn
Sci-Kit Learn - это библиотека машинного обучения для Python. Эта библиотека содержит инструменты машинного обучения, необходимые для повседневного использования специалистами по данным. Одна вещь, которой этому модулю не хватает по сравнению с другими платформами глубокого обучения, такими как PyTorch и TensorFlow, - это невозможность обучать модели на графическом процессоре, что значительно увеличивает скорость обучения моделей. Но что, если я скажу вам, что есть инструмент, с помощью..
Ускорение глубокого обучения на ЦП с помощью Intel MKL-DNN
Автор: Чжэн Да , специалист по прикладным технологиям Amazon AI Перевод с: https://zh.mxnet.io/blog/mkldnn
Intel недавно выпустила библиотеку математического ядра для глубоких нейронных сетей ( MKL-DNN ), которая специально оптимизирует набор операторов для глубокого обучения. Это открытый исходный код, предназначенный для замены MKLML.
Мы рады сообщить, что Apache MXNet теперь интегрирует MKL-DNN для ускорения глубокого обучения на ЦП! Команда MXNet и команда Intel работали вместе..
Powering the Edge: раскрытие потенциала машинного обучения
Сегодня миллиарды периферийных устройств используются в различных приложениях, таких как потребительские, промышленные, IoT, автомобильные, медицинские, беспилотные летательные аппараты и системы наблюдения; благодаря постоянно растущим скоростям, уменьшающейся геометрии, полупроводниковым технологиям со сверхнизким энергопотреблением и устройствам System-on-Chip (SoC). Датчики на периферийных устройствах генерируют огромные объемы данных, включая изображения, видео, речь и другие данные,..
Ускорение линейных моделей для машинного обучения
Ускорение линейных моделей для машинного обучения
Линейная регрессия никогда не была быстрее
Если вы когда-либо использовали Python и scikit-learn для построения моделей машинного обучения (ML) из больших наборов данных, возможно, вам также хотелось, чтобы эти вычисления выполнялись быстрее. Что, если бы я сказал вам, что изменение одной строчки кода может ускорить ваши вычисления ML? Что, если бы я также сказал вам, что для получения более быстрых результатов не требуется..
Оценка плотности ядра с помощью Python с использованием Sklearn
Оценка плотности ядра, часто называемая KDE, - это метод, который позволяет создать плавную кривую для набора данных. Итак, сначала давайте разберемся, что такое оценка плотности.
В вероятности и статистике оценка плотности - это построение оценки, основанной на данных наблюдений, ненаблюдаемой основной функции плотности вероятности. С точки зрения непрофессионала, оценка плотности относится к отображению точек данных на кривой или функции, которая будет наилучшим образом отображать..
