“大数据智能-调研考察”版本间的差异
来自iCenter Wiki
（→考察内容：） |
|||
| 第17行： | 第17行： | ||
1，语音识别 | 1，语音识别 | ||
| − | + | 从2016年3月份至今，开发小不点产品。从2016年8月至今，采用Deepspeech2的方案完成的中文识别系统。 | |
decoding采用beam search + pruning。 | decoding采用beam search + pruning。 | ||
| 第29行： | 第29行： | ||
2，深度学习 | 2，深度学习 | ||
| − | KTQueue， deep learning job在GPU | + | KTQueue， deep learning job在GPU server上调度系统。 |
采用Pascal 系列GPU server。Pascal卡成本1200$. | 采用Pascal 系列GPU server。Pascal卡成本1200$. | ||
| 第42行： | 第42行： | ||
3，自然语言处理 | 3，自然语言处理 | ||
| − | |||
==联系人：== | ==联系人：== | ||
2017年4月18日 (二) 13:21的版本
奇点机智
地点：
鼎好A座3楼太库孵化器
时间：
4月18日周二下午1点15分左右从清华出发，一同去奇点机智调研。
考察内容：
公司理念：手机操作人人平等
1，语音识别
从2016年3月份至今，开发小不点产品。从2016年8月至今，采用Deepspeech2的方案完成的中文识别系统。
decoding采用beam search + pruning。
语音识别可以YouTube的音频字幕数据。训练用2千多小时的数据，5~7层网络，训练一周时间。
与Deepspeech2相比，汉字2万多字，常用7000字，用softmax代价还是太高。因此采用400 pinyin输出。
语音识别是一个难的问题：Rich diversity + ambiguity。
2，深度学习
KTQueue， deep learning job在GPU server上调度系统。
采用Pascal 系列GPU server。Pascal卡成本1200$.
Inference侧强调latency和power；
Train侧强调throughput和performance。
TPU是给市场inject balance。
协处理器成功的只有两个DSP和Video卡。做硬件是需要一个生态外围的。
3，自然语言处理
联系人：
刘家骅： 15120003855
