基于KerasConv1D心電圖檢測開源教程

AI科技大本營 ? 2019-06-10 15:48 ? 次閱讀

本實戰內容取自筆者參加的首屆中國心電智能大賽項目,初賽要求為設計一個自動識別心電圖波形算法。筆者使用Keras框架設計了基于Conv1D結構的模型,并且開源了代碼作為Baseline。內容包括數據預處理,模型搭建,網絡訓練,模型應用等,此Baseline采用最簡單的一維卷積達到了88%測試準確率。有多支隊伍在筆者基線代碼基礎上調優取得了優異成績,順利進入復賽。

數據介紹

下載完整的訓練集和測試集,共1000例常規心電圖,其中訓練集中包含600例,測試集中共400例。該數據是從多個公開數據集中獲取。參賽團隊需要利用有正常/異常兩類標簽的訓練集數據設計和實現算法,并在沒有標簽的測試集上做出預測。

該心電數據的采樣率為500 Hz。為了方便參賽團隊用不同編程語言都能讀取數據,所有心電數據的存儲格式為MAT格式。該文件中存儲了12個導聯的電壓信號。訓練數據對應的標簽存儲在txt文件中,其中0代表正常,1代表異常。

賽題分析

簡單分析一下,初賽的數據集共有1000個樣本,其中訓練集中包含600例,測試集中共400例。其中訓練集中包含600例是具有label的,可以用于我們訓練模型;測試集中共400例沒有標簽,需要我們使用訓練好的模型進行預測。

賽題就是一個二分類預測問題,解題思路應該包括以下內容

數據讀取與處理

網絡模型搭建

模型的訓練

模型應用與提交預測結果

實戰應用

經過對賽題的分析,我們把任務分成四個小任務,首先第一步是:

1.數據讀取與處理

該心電數據的采樣率為500 Hz。為了方便參賽團隊用不同編程語言都能讀取數據,所有心電數據的存儲格式為MAT格式。該文件中存儲了12個導聯的電壓信號。訓練數據對應的標簽存儲在txt文件中,其中0代表正常,1代表異常。

我們由上述描述可以得知,

我們的數據保存在MAT格式文件中(這決定了后面我們要如何讀取數據)

采樣率為500 Hz(這個信息并沒有怎么用到,大家可以簡單了解一下,就是1秒采集500個點,由后面我們得知每個數據都是5000個點,也就是10秒的心電圖片)

12個導聯的電壓信號(這個是指采用12種導聯方式,大家可以簡單理解為用12個體溫計量體溫,從而得到更加準確的信息,下圖為導聯方式簡單介紹,大家了解下即可。要注意的是,既然提供了12種導聯,我們應該全部都用到,雖然我們僅使用一種導聯方式也可以進行訓練與預測,但是經驗告訴我們,采取多個特征會取得更優效果)

數據處理函數定義:

import kerasfrom scipy.io import loadmatimport matplotlib.pyplot as pltimport globimport numpy as npimport pandas as pdimport mathimport osfrom keras.layers import *from keras.models import *from keras.objectives import *BASE_DIR = “preliminary/TRAIN/”#進行歸一化def normalize(v): return (v - v.mean(axis=1).reshape((v.shape[0],1))) / (v.max(axis=1).reshape((v.shape[0],1)) + 2e-12)loadmat打開文件def get_feature(wav_file,Lens = 12,BASE_DIR=BASE_DIR): mat = loadmat(BASE_DIR+wav_file) dat = mat[“data”] feature = dat[0:12] return(normalize(feature).transopse())#把標簽轉成oneHot形式def convert2oneHot(index,Lens): hot = np.zeros((Lens,)) hot[index] = 1 return(hot)TXT_DIR = “preliminary/reference.txt”MANIFEST_DIR = “preliminary/reference.csv”

讀取一條數據進行顯示

if name__ == “__main”: dat1 = get_feature(“preliminary/TRAIN/TRAIN101.mat”) print(dat1.shape) #one data shape is (12, 5000) plt.plt(dat1[:,0]) plt.show()

我們由上述信息可以看出每種導聯都是由5000個點組成的列表,12種導聯方式使每個樣本都是12*5000的矩陣,類似于一張分辨率為12x5000的照片。

我們需要處理的就是把每個讀取出來,歸一化一下,送入網絡進行訓練可以了。

標簽處理方式

def create_csv(TXT_DIR=TXT_DIR): lists = pd.read_csv(TXT_DIR,sep=r“\t”,header=None) lists = lists.sample(frac=1) lists.to_csv(MANIFEST_DIR,index=None) print(“Finish save csv”)

我這里是采用從reference.txt讀取,然后打亂保存到reference.csv中,注意一定要進行數據打亂操作,不然訓練效果很差。因為原始數據前面便簽全部是1,后面全部是0

數據迭代方式

Batch_size = 20def xs_gen(path=MANIFEST_DIR,batch_size = Batch_size,train=True):img_list = pd.read_csv(path)if train : img_list = np.array(img_list)[:500] print(“Found %s train items.”%len(img_list)) print(“list 1 is”,img_list[0]) steps = math.ceil(len(img_list) / batch_size) # 確定每輪有多少個batchelse: img_list = np.array(img_list)[500:] print(“Found %s test items.”%len(img_list)) print(“list 1 is”,img_list[0]) steps = math.ceil(len(img_list) / batch_size) # 確定每輪有多少個batchwhile True: for i in range(steps): batch_list = img_list[i * batch_size : i * batch_size + batch_size] np.random.shuffle(batch_list) batch_x = np.array([get_feature(file) for file in batch_list[:,0]]) batch_y = np.array([convert2oneHot(label,2) for label in batch_list[:,1]]) yield batch_x, batch_y

數據讀取的方式我采用的是生成器的方式,這樣可以按batch讀取,加快訓練速度,大家也可以采用一下全部讀取,看個人的習慣了

2.網絡模型搭建

數據我們處理好了,后面就是模型的搭建了,我使用keras搭建的,操作簡單便捷,tf,pytorch,sklearn大家可以按照自己喜好來。

網絡模型可以選擇CNN,RNN,Attention結構,或者多模型的融合,拋磚引玉,此Baseline采用的一維CNN方式,一維CNN學習地址

模型搭建

TIME_PERIODS = 5000num_sensors = 12def build_model(input_shape=(TIME_PERIODS,num_sensors),num_classes=2): model = Sequential() #model.add(Reshape((TIME_PERIODS, num_sensors), input_shape=input_shape)) model.add(Conv1D(16, 16,strides=2, activation=‘relu’,input_shape=input_shape)) model.add(Conv1D(16, 16,strides=2, activation=‘relu’,padding=“same”)) model.add(MaxPooling1D(2)) model.add(Conv1D(64, 8,strides=2, activation=‘relu’,padding=“same”)) model.add(Conv1D(64, 8,strides=2, activation=‘relu’,padding=“same”)) model.add(MaxPooling1D(2)) model.add(Conv1D(128, 4,strides=2, activation=‘relu’,padding=“same”)) model.add(Conv1D(128, 4,strides=2, activation=‘relu’,padding=“same”)) model.add(MaxPooling1D(2)) model.add(Conv1D(256, 2,strides=1, activation=‘relu’,padding=“same”)) model.add(Conv1D(256, 2,strides=1, activation=‘relu’,padding=“same”)) model.add(MaxPooling1D(2)) model.add(GlobalAveragePooling1D()) model.add(Dropout(0.3)) model.add(Dense(num_classes, activation=‘softmax’)) return(model)

用model.summary()輸出的網絡模型為

訓練參數比較少,大家可以根據自己想法更改。

3.網絡模型訓練

模型訓練

if name__ == “__main”: “”“dat1 = get_feature(”TRAIN101.mat“) print(”one data shape is“,dat1.shape) #one data shape is (12, 5000) plt.plot(dat1[0]) plt.show()”“” if (os.path.exists(MANIFEST_DIR)==False): create_csv() train_iter = xs_gen(train=True) test_iter = xs_gen(train=False) model = build_model() print(model.summary()) ckpt = keras.callbacks.ModelCheckpoint( filepath=‘best_model.{epoch:02d}-{val_acc:.2f}.h5’, monitor=‘val_acc’, save_best_only=True,verbose=1) model.compile(loss=‘categorical_crossentropy’, optimizer=‘adam’, metrics=[‘accuracy’]) model.fit_generator( generator=train_iter, steps_per_epoch=500//Batch_size, epochs=20, initial_epoch=0, validation_data = test_iter, nb_val_samples = 100//Batch_size, callbacks=[ckpt], )

訓練過程輸出(最優結果:loss: 0.0565 - acc: 0.9820 - val_loss: 0.8307 - val_acc: 0.8800)

Epoch 10/2025/25 [==============================] - 1s 37ms/step - loss: 0.2329 - acc: 0.9040 - val_loss: 0.4041 - val_acc: 0.8700Epoch 00010: val_acc improved from 0.85000 to 0.87000, saving model to best_model.10-0.87.h5Epoch 11/2025/25 [==============================] - 1s 38ms/step - loss: 0.1633 - acc: 0.9380 - val_loss: 0.5277 - val_acc: 0.8300Epoch 00011: val_acc did not improve from 0.87000Epoch 12/2025/25 [==============================] - 1s 40ms/step - loss: 0.1394 - acc: 0.9500 - val_loss: 0.4916 - val_acc: 0.7400Epoch 00012: val_acc did not improve from 0.87000Epoch 13/2025/25 [==============================] - 1s 38ms/step - loss: 0.1746 - acc: 0.9220 - val_loss: 0.5208 - val_acc: 0.8100Epoch 00013: val_acc did not improve from 0.87000Epoch 14/2025/25 [==============================] - 1s 38ms/step - loss: 0.1009 - acc: 0.9720 - val_loss: 0.5513 - val_acc: 0.8000Epoch 00014: val_acc did not improve from 0.87000Epoch 15/2025/25 [==============================] - 1s 38ms/step - loss: 0.0565 - acc: 0.9820 - val_loss: 0.8307 - val_acc: 0.8800Epoch 00015: val_acc improved from 0.87000 to 0.88000, saving model to best_model.15-0.88.h5Epoch 16/2025/25 [==============================] - 1s 38ms/step - loss: 0.0261 - acc: 0.9920 - val_loss: 0.6443 - val_acc: 0.8400Epoch 00016: val_acc did not improve from 0.88000Epoch 17/2025/25 [==============================] - 1s 38ms/step - loss: 0.0178 - acc: 0.9960 - val_loss: 0.7773 - val_acc: 0.8700Epoch 00017: val_acc did not improve from 0.88000Epoch 18/2025/25 [==============================] - 1s 38ms/step - loss: 0.0082 - acc: 0.9980 - val_loss: 0.8875 - val_acc: 0.8600Epoch 00018: val_acc did not improve from 0.88000Epoch 19/2025/25 [==============================] - 1s 37ms/step - loss: 0.0045 - acc: 1.0000 - val_loss: 1.0057 - val_acc: 0.8600Epoch 00019: val_acc did not improve from 0.88000Epoch 20/2025/25 [==============================] - 1s 37ms/step - loss: 0.0012 - acc: 1.0000 - val_loss: 1.1088 - val_acc: 0.8600Epoch 00020: val_acc did not improve from 0.88000

4.模型應用預測結果

預測數據

if name__ == “__main”: “”“dat1 = get_feature(”TRAIN101.mat“) print(”one data shape is“,dat1.shape) #one data shape is (12, 5000) plt.plot(dat1[0]) plt.show()”“” “”“if (os.path.exists(MANIFEST_DIR)==False): create_csv() train_iter = xs_gen(train=True) test_iter = xs_gen(train=False) model = build_model() print(model.summary()) ckpt = keras.callbacks.ModelCheckpoint( filepath=‘best_model.{epoch:02d}-{val_acc:.2f}.h5’, monitor=‘val_acc’, save_best_only=True,verbose=1) model.compile(loss=‘categorical_crossentropy’, optimizer=‘adam’, metrics=[‘accuracy’]) model.fit_generator( generator=train_iter, steps_per_epoch=500//Batch_size, epochs=20, initial_epoch=0, validation_data = test_iter, nb_val_samples = 100//Batch_size, callbacks=[ckpt], )”“” PRE_DIR = “sample_codes/answers.txt” model = load_model(“best_model.15-0.88.h5”) pre_lists = pd.read_csv(PRE_DIR,sep=r“ ”,header=None) print(pre_lists.head()) pre_datas = np.array([get_feature(item,BASE_DIR=“preliminary/TEST/”) for item in pre_lists[0]]) pre_result = model.predict_classes(pre_datas)#0-1概率預測 print(pre_result.shape) pre_lists[1] = pre_result pre_lists.to_csv(“sample_codes/answers1.txt”,index=None,header=None) print(“predict finish”)

下面是前十條預測結果:

TEST394,0TEST313,1TEST484,0TEST288,0TEST261,1TEST310,0TEST286,1TEST367,1TEST149,1TEST160,1

展望

此Baseline采用最簡單的一維卷積達到了88%測試準確率(可能會因為隨機初始化值上下波動),大家也可以多嘗試GRU,Attention,和Resnet等結果,測試準確率會突破90+。


原文標題:實戰 | 基于KerasConv1D心電圖檢測開源教程(附代碼)

文章出處:【微信號:rgznai100,微信公眾號:AI科技大本營】歡迎添加關注!文章轉載請注明出處。

收藏 人收藏
分享:

評論

相關推薦

快速構建RT-Thread 可通用的軟件包

主題介紹及亮點:軟件包在高級語言中非常常見,很多高級語言都有對應的軟件包平臺,軟件包生態對于一門語言的選擇至關重要,本次
發表于 09-11 00:00 ? 28次 閱讀
快速構建RT-Thread 可通用的軟件包

淺析開源軟件LAMP

LAMP(源碼編譯)
發表于 10-15 10:16 ? 15次 閱讀
淺析開源軟件LAMP

開源工具Sqoop的安裝

Sqoop安裝和導入導出
發表于 10-14 15:55 ? 26次 閱讀
開源工具Sqoop的安裝

ELK開源工具

ELK日志分析系統
發表于 10-12 15:23 ? 26次 閱讀
ELK開源工具

心電圖采集電路圖解

記錄ECG信號所需的第一個電路元件是儀表放大器。該放大器具有兩個作用。
的頭像 39度創意研究所 發表于 10-12 09:21 ? 115次 閱讀
心電圖采集電路圖解

黑客可以利用哪幾種方式讓物聯網變得不安全

隨著新的物聯網產品迅速推向市場,企業可以盡快利用物聯網部署的諸多優勢,并且不會對其安全性擔憂。
發表于 09-26 16:52 ? 264次 閱讀
黑客可以利用哪幾種方式讓物聯網變得不安全

谷歌發布機器學習框架:一個名叫NSL的神經結構學習框架

神經結構學習框架(NSL)的作用很大,它可以制作計算機視覺模型、執行自然語言處理(NLP)、從醫療記....
的頭像 倩倩 發表于 09-20 14:30 ? 284次 閱讀
谷歌發布機器學習框架:一個名叫NSL的神經結構學習框架

請問TI-RIOS在工程中全部是開源的嗎?

TI是否提供完全開源的TI-RIOS?
發表于 09-16 10:30 ? 97次 閱讀
請問TI-RIOS在工程中全部是開源的嗎?

一款開源換臉工具FaceSwap以超過23000星登上GitHub排行榜

ZAO 盡管ZAO已經通過修改用戶協議來回應投訴。新協議規定,未經用戶事先同意,應用程序上生成的....
的頭像 新智元 發表于 09-13 16:25 ? 1057次 閱讀
一款開源換臉工具FaceSwap以超過23000星登上GitHub排行榜

一張貼紙能讓你在面部識別軟件面前 “隱身”!

攻擊一個 AI 系統不是什么新鮮事,但我們成功地在現實世界中做到了:只需要打印一張彩色貼紙,然后將其....
的頭像 新智元 發表于 09-07 07:53 ? 617次 閱讀
一張貼紙能讓你在面部識別軟件面前 “隱身”!

淺析Anaconda

什么是Anaconda?
發表于 09-06 07:45 ? 92次 閱讀
淺析Anaconda

微軟進一步優化Chromium增強版滾動特性

基于谷歌的開源瀏覽器Chromium,近日微軟面向Windows 10、Windows 7和macO....
的頭像 電子發燒友網工程師 發表于 08-29 15:03 ? 207次 閱讀
微軟進一步優化Chromium增強版滾動特性

中科視拓SeetaFace2現已通過GitHub開源人臉識別算法

SeetaFace2采用商業友好的BSD協議,這是在2016年9月開源SeetaFace1.0人臉識....
的頭像 電子發燒友網工程師 發表于 08-23 14:00 ? 825次 閱讀
中科視拓SeetaFace2現已通過GitHub開源人臉識別算法

關于開源協議,你知多少

軟件在追求“自由”的同時,不能犧牲程序員的利益,否則將會影響程序員的創造激情,因此世界上現在有 60 多種被開源促進組織(O...
發表于 08-20 15:39 ? 370次 閱讀
關于開源協議,你知多少

鴻蒙出世,第三大操作系統誕生,最厲害的還是開源這點!

鴻蒙出世,手機、物聯網、智慧屏通通能用,最厲害的還是這點!
的頭像 陳翠 發表于 08-20 09:54 ? 712次 閱讀
鴻蒙出世,第三大操作系統誕生,最厲害的還是開源這點!

開源維護者的掙扎和無奈

我完全理解,一旦開源項目開始流行起來,他們就開始為了生活而掙扎。
的頭像 Linux愛好者 發表于 08-11 10:18 ? 403次 閱讀
開源維護者的掙扎和無奈

開源和美國出口管制

如果某個編程語言禁止某國用,會是什么一種情況
的頭像 Linux愛好者 發表于 08-11 10:10 ? 511次 閱讀
開源和美國出口管制

Librem 5 配置公布,Q3開售

許久未見的 Librem 5 開源智能手機近日終于有了新消息,Purism 公司在官網公布了 Lib....
的頭像 ZEALER訂閱號 發表于 08-05 17:25 ? 1946次 閱讀
 Librem 5 配置公布,Q3開售

GitHub回應托管代碼受限

伊朗的開發商Hamed Saeedi稱:“GitHub封鎖了我的帳戶,他們認為我正在開發核武器”。
的頭像 滿天芯 發表于 07-31 17:42 ? 510次 閱讀
GitHub回應托管代碼受限

中文 repo“霸榜”GitHub Trending,老外發文控訴

他們不適應了?
的頭像 嵌入式資訊精選 發表于 07-31 09:38 ? 405次 閱讀
中文 repo“霸榜”GitHub Trending,老外發文控訴

視聽結合進行持續的情感預測

阿斯隆理工學院計算機與軟件工程系的研究人員致力于尋找合適的特征,并展示基于頭部和眼睛的線索在情緒預測....
的頭像 半導體界 發表于 07-30 10:26 ? 529次 閱讀
視聽結合進行持續的情感預測

Linux開發工具總結

Linux是一個優秀的開發環境,但是如果沒有好的開發工具作為武器,這個環境給你帶來的好處就會大打折扣。幸運的是,有很多好用的...
發表于 07-23 06:35 ? 150次 閱讀
Linux開發工具總結

ST 5.0開源電機庫分享!

鏈接: 密碼:juz7
發表于 07-22 04:35 ? 197次 閱讀
ST 5.0開源電機庫分享!

開源軟件的演進歷程是怎樣的

隨著兩化融合、工業物聯網、智能制造、企業上云等政策的發布,將會促進云計算與產業場景的結合。
發表于 07-18 09:00 ? 107次 閱讀
開源軟件的演進歷程是怎樣的

打造開發者社區,濤思數據開源 TDengine物聯網大數據平臺

“Leave a dent in the world!”
的頭像 AI科技大本營 發表于 07-16 10:48 ? 2874次 閱讀
打造開發者社區,濤思數據開源 TDengine物聯網大數據平臺

IBM收購RedHat,開源和閉源的存儲軟件將如何抉擇?

IBM完成收購后將擁有自己的專有存儲產品和紅帽的開源存儲產品集了,此時IBM將如何抉擇這兩種提供存儲....
的頭像 存儲社區 發表于 07-15 08:53 ? 645次 閱讀
IBM收購RedHat,開源和閉源的存儲軟件將如何抉擇?

開源webbloger Roller的安裝記錄

設置系統變量JAVA_HOME=c:/j2sdk142為你的JDK安裝目錄,然后安裝tomcat,并設置系統變量CATALINA_HOME=d...
發表于 07-15 06:08 ? 88次 閱讀
開源webbloger Roller的安裝記錄

FRVT賽程全紀錄:格靈深瞳全球排名前五

在FRVT評測中,測試集是完全不公開的,只有簡略的幾段話描述。這意味著FRVT用的不是傳統那種通過在....
的頭像 AI科技大本營 發表于 07-13 07:33 ? 1082次 閱讀
FRVT賽程全紀錄:格靈深瞳全球排名前五

我國數字經濟發展重要支撐是什么

無論是云計算,還是大數據、人工智能、區塊鏈等領域,都大量采用了開源技術。
發表于 07-12 10:29 ? 460次 閱讀
我國數字經濟發展重要支撐是什么

怎樣才能將人工智能用得好

人工智能的技術發展,依賴于人工智能的算法和計算資源的能力,也就是算力。
發表于 07-12 09:38 ? 86次 閱讀
怎樣才能將人工智能用得好

340億美元收購紅帽,藍色巨人在開源世界開疆拓土

IBM歷史上最大的一筆豪賭
的頭像 半導體商城 發表于 07-11 11:16 ? 680次 閱讀
340億美元收購紅帽,藍色巨人在開源世界開疆拓土

flume原理介紹

flume是Apache的一款開源日志收集軟件。在flume中,主要有三個重要的角色:source、channel和sink。source負責收集日志,日志可...
發表于 07-10 06:04 ? 516次 閱讀
flume原理介紹

技術無罪?AI脫衣App上線幾個小時就被下線了!

一鍵“脫衣”應用遭下架!
的頭像 人工智能與大數據技術 發表于 07-09 09:00 ? 2351次 閱讀
技術無罪?AI脫衣App上線幾個小時就被下線了!

深度學習框架你了解多少

開源的深度學習神經網絡正步入成熟,而現在有許多框架具備為個性化方案提供先進的機器學習和人工智能的能力....
發表于 07-08 10:31 ? 422次 閱讀
深度學習框架你了解多少

人工智能開源框架有哪些

TensorFlow是谷歌基于DistBelief進行研發的第二代人工智能學習系統,其命名來源于本身....
發表于 07-08 10:27 ? 195次 閱讀
人工智能開源框架有哪些

小項目,大影響!超小型開源項目成黑客注入惡意代碼的重災區

現代軟件開發的依賴樹讓黑客更容易從小型開源項目入手攻克。
的頭像 ibm軟件技術聯盟 發表于 07-08 10:21 ? 871次 閱讀
小項目,大影響!超小型開源項目成黑客注入惡意代碼的重災區

清華成立NLP與社會人文計算研究中心 開源機器翻譯系統等三項成果

近日,清華大學人工智能研究院自然語言處理與社會人文計算研究中心(以下簡稱中心)成立儀式在清華大學FI....
的頭像 大數據文摘 發表于 07-05 15:48 ? 678次 閱讀
清華成立NLP與社會人文計算研究中心 開源機器翻譯系統等三項成果

5G開源創新中心在能源和汽車場景的應用

創新的企業借助開源的特性,容易形成比較高的競爭壁壘,避免惡性競爭的發生。
的頭像 開源工業互聯網聯盟 發表于 07-05 14:08 ? 682次 閱讀
5G開源創新中心在能源和汽車場景的應用

開源對于區塊鏈來說有多重要

不管是互聯網還是區塊鏈,作為一項技術進入大眾的視野,開源與否都飽含爭議。
發表于 07-05 10:21 ? 103次 閱讀
開源對于區塊鏈來說有多重要

騰訊率先開源面向世界 華為鴻蒙為何遲遲不出?

近日,騰訊宣布成立開源管理辦公室,內部有三個機構。騰訊目前已經實現了內部開源協作,通過小團隊或跨部門....
的頭像 嵌入式資訊精選 發表于 07-01 16:28 ? 1463次 閱讀
騰訊率先開源面向世界 華為鴻蒙為何遲遲不出?

一年開源12款新工具 谷歌負責任AI原則落地生根

自從谷歌宣布AI原則開始,已經過了一年時間。如今Jeff Dean和Kent Walker對原則獲得....
的頭像 新智元 發表于 07-01 11:40 ? 827次 閱讀
一年開源12款新工具 谷歌負責任AI原則落地生根

Cruise 開源可視化平臺,提升自動駕駛研究水平

任何人都可以將任何ROS包文件拖放到Webviz中,以直觀地了解機器人數據。
的頭像 智車科技 發表于 06-28 13:54 ? 744次 閱讀
Cruise 開源可視化平臺,提升自動駕駛研究水平

Facebook AI開源機器人框架 PyRobot

它以靈活、簡便、易上手的特性,進一步降低了機器人研究與應用的成本。
的頭像 全球人工智能 發表于 06-28 10:05 ? 717次 閱讀
Facebook AI開源機器人框架 PyRobot

美國政府在人工智能戰略計劃中再提開源動力

2019年6月21日,美國白宮政府發布了《美國人工智能研發戰略計劃2019更新版》,在2016年發布....
的頭像 開源工業互聯網聯盟 發表于 06-25 10:50 ? 1170次 閱讀
美國政府在人工智能戰略計劃中再提開源動力

對于智能便攜診療設備特點分析和應用

隨著電活性橫穿整個心房,它從SA節點進入到房室(AV)節點。 AV結點的作用是在傳導系統起到一個重要....
的頭像 貿澤電子 發表于 06-25 01:02 ? 180次 閱讀
對于智能便攜診療設備特點分析和應用

開源機器學習管理平臺TRAINS

不論是對于團隊還是企業,TRAINS都能將所有內容記錄在一個中央服務器中,并實現可視化和出處,這樣生....
的頭像 新智元 發表于 06-23 08:09 ? 925次 閱讀
開源機器學習管理平臺TRAINS

Facebook構建虛擬空間訓練AI

近日,Facebook推出一個開源的模擬數據集,希望幫助研究人員創建更加真實的AR/VR體驗,最終目....
的頭像 機器人技術與應用 發表于 06-18 17:07 ? 971次 閱讀
Facebook構建虛擬空間訓練AI

開源工業互聯網聯盟推出IOT3000開源方案

為了便于聯盟成員了解IOT 3000的具體內容,開源工業互聯網聯盟組織專家編寫了《IOT 3000開....
的頭像 開源工業互聯網聯盟 發表于 06-18 09:43 ? 1115次 閱讀
開源工業互聯網聯盟推出IOT3000開源方案

圖靈獎得主牽頭推動芯片開源 清華伯克利成立RISC-V國際實驗室

圖靈獎得主牽頭,清華伯克利聯手打造開源芯片,以深圳為根節點,全面提升 RISC-V 生態系統至最先進....
的頭像 新智元 發表于 06-17 15:05 ? 1306次 閱讀
圖靈獎得主牽頭推動芯片開源 清華伯克利成立RISC-V國際實驗室

谷歌將AutoML應用于Transformer架構,翻譯結果飆升!

為了探索AutoML在序列域中的應用是否能夠取得的成功,谷歌的研究團隊在進行基于進化的神經架構搜索(....
的頭像 新智元 發表于 06-16 11:29 ? 1343次 閱讀
谷歌將AutoML應用于Transformer架構,翻譯結果飆升!

清華、伯克利聯手打造 成立RISC-V國際實驗室

圖靈獎得主牽頭,清華伯克利聯手打造開源芯片,以深圳為根節點,全面提升 RISC-V 生態系統至最先進....
的頭像 全球人工智能 發表于 06-16 10:16 ? 1614次 閱讀
清華、伯克利聯手打造 成立RISC-V國際實驗室

谷歌開源張量計算庫_速度提高100倍

6月5日消息,據外媒報道,日前,谷歌公司的人工智能部門與加拿大圓周理論物理研究所,以及谷歌母公司Al....
的頭像 電子發燒友網工程師 發表于 06-15 11:04 ? 918次 閱讀
谷歌開源張量計算庫_速度提高100倍

RISC-V崛起、開源破局,中國芯片困境可解?

不同于要收取高額授權費的ARM架構,RISC-V并不掌握在任何一家公司手里。
的頭像 DIGITIMES 發表于 06-11 14:08 ? 1553次 閱讀
RISC-V崛起、開源破局,中國芯片困境可解?

大量使用開源的中國 AI 應用,會是下一個被卡住的嗎?

對于部分開源(Open source) 的資源,未來是不是也會受到美國出口管制條例的限制,這將是另一....
的頭像 DeepTech深科技 發表于 06-11 08:52 ? 1431次 閱讀
大量使用開源的中國 AI 應用,會是下一個被卡住的嗎?

史上最小!納米級無人機僅重27克,CNN自主導航,已開源!

還記得《黑鏡》中的殺人蜂嗎?蜜蜂大小、威力巨大。
的頭像 無人機網 發表于 06-09 17:41 ? 774次 閱讀
史上最小!納米級無人機僅重27克,CNN自主導航,已開源!

開源架構RISC-V到底會不會有“被禁”風險?

繼此前開源的谷歌安卓、英國的Arm,以及多個全球性的技術聯盟/協會都宣布執行美禁令之后,很多人不禁要....
的頭像 芯智訊 發表于 06-09 17:19 ? 3034次 閱讀
開源架構RISC-V到底會不會有“被禁”風險?

GitHub五萬星登頂 程序員命令行最全技巧寶典!

最近兩天,「The Art of Command Line(命令行的藝術)」這個開源項目雄踞了 Gi....
的頭像 AI科技大本營 發表于 06-06 14:02 ? 754次 閱讀
GitHub五萬星登頂 程序員命令行最全技巧寶典!

GitHub標星15K,這個開源項目讓算法動起來

一個可視化學算法的好工具
的頭像 電子發燒友網工程師 發表于 05-31 09:44 ? 594次 閱讀
GitHub標星15K,這個開源項目讓算法動起來

機器人開源交叉足使用教程必讀資料免費下載

本文檔的主要內容詳細介紹的是機器人開源交叉足使用教程必讀資料免費下載 1、 如購買的是成品,直接將....
發表于 05-31 08:00 ? 178次 閱讀
機器人開源交叉足使用教程必讀資料免費下載

GitHub推出開發者贊助項目 全新的支持開源軟件的方式

近日,全球最大的開源軟件平臺GitHub推出了開發者贊助項目GitHub Sponsors。這是一種....
的頭像 嵌入式資訊精選 發表于 05-27 11:40 ? 1689次 閱讀
GitHub推出開發者贊助項目 全新的支持開源軟件的方式

開源社區GitHub推出了一款新工具——測試版GitHub Sponsors

根據GitHub介紹,這項新功能的目的是“擴大參與和構建開源的機會”。但這可能會引起一些開源開發者的....
的頭像 新智元 發表于 05-25 09:01 ? 1844次 閱讀
開源社區GitHub推出了一款新工具——測試版GitHub Sponsors
分分彩计划