“智能硬件与智能系统”版本间的差异
（→教学团队） |
（→课程项目-云+端整合） |
||
| 第123行： | 第123行： | ||
==课程项目-云+端整合== | ==课程项目-云+端整合== | ||
| − | + | [[智能硬件-云端整合]] | |
| − | + | ||
| − | + | ||
| − | + | ||
| − | + | ||
| − | + | ||
| − | + | ||
| − | + | ||
| − | + | ||
| − | + | ||
| − | + | ||
| − | + | ||
| − | + | ||
| − | + | ||
| − | + | ||
| − | [ | + | |
==课程项目-深度学习== | ==课程项目-深度学习== | ||
2016年11月5日 (六) 09:58的版本
版权申明
CC BY-NC-SA
教学团队
助教：郑文勋 王晗
教学背景
随着计算机应用的日益普及和计算机网络的快速发展，互联网+的社会经济浪潮日益显现，以互联网连接的物理硬件系统和以大数据云计算为基础的信息系统，使得具有智能的机器人、自动驾驶的无人机等等智能系统成为新的技术发展浪潮，并催生了“智能硬件”的新生态。
课程内容
云＋端
智能端
移动设备：Android / iOS
嵌入式设备：Raspberry Pi 2 / Arduino
可穿戴式硬件：手环 / Apple Watch
嵌入式开发平台
NVIDIA JETSON TK1
Raspberry Pi
云计算与大数据
数据中心
Google公司拥有分布全球的十几个数据中心，上百万台机器的集群计算，具体数目是保密数字
- L.A. Barroso, J. Clidaras, and U. Holzle, The Datacenter as a Computer: An Introduction to the Design of Warehouse-Scale Machines, 2nd ed., 2013.
云计算平台
- Fox, Armando, et al. "Above the clouds: A Berkeley view of cloud computing." Dept. Electrical Eng. and Comput. Sciences, University of California, Berkeley, Rep. UCB/EECS 28 (2009): 13.
大数据平台
- Jeffrey Dean and Sanjay Ghemawat, MapReduce: Simplified Data Processing on Large Clusters, OSDI 2004.
- Chang F, Dean J, Ghemawat S, et al. Bigtable: A distributed storage system for structured data. OSDI 2006.
- Yang, Fangjin, et al. "Druid: a real-time analytical data store." ACM sigmod, 2014.
机器学习
- Jeffrey Dean et al. "Large scale distributed deep networks." Advances in Neural Information Processing Systems. 2012.
智能系统
项目分组
作业1
Install TensorFlow Mobile in HUAWEI Kylin 930
论文研读
第一次
第二次
课程项目
学生准备
携带笔记本，智能手机
(Bring your own laptop computers and camera-ready smart phones)
课程项目-语音识别
ASR-实验1
声控智能硬件-语音指令录音
通过给手机语音指令，手机APP自动识别指令种类，进行相应的控制。
存放目录：\\101.6.160.42\智能硬件录音
以学号建立文件夹，限定使用*.wav格式。
每位同学提交24条语音，要求高质量保证。
时间：10月7日中午12点之前
ASR-实验2
声控智能硬件-频谱图生成
- 将24条语音文件生成对应的频谱图（Spectrogram）[5]，频谱图文件名称为*.spec
- 熟悉TensorFlow环境[6]，使用TensorFlow搭建3层全连接的神经网络（24个softmax输出）。
时间：2016年10月14日中午12点之前
课程项目-人脸识别
课程项目-云+端整合
课程项目-深度学习
基本任务：手写数字识别
利用附件提供的Matlab Deep Learning Toolbox中的卷积神经网络（CNN），在MNIST手写数字样本集上，利用训练集样本进行训练，并对测试集样本进行测试。
建议阅读附件中的背景知识和工具箱中的CNN源代码，在了解算法原理和技术实现细节基础上，参照示例程序CNN/test_example_CNN.m，自行调整算法中至少一种关键参数或设置，例如调整CNN的卷积层及下采样层的层数、或模板大小等参数；在至少一种与原始程序不同的参数或设置下分别进行训练，做出测试集识别率（或错误率）随参数或设置变化的对照图或对照表，并标出最高识别率对应的参数或设置。
提高任务：物体检测
请参考工具箱中tests/test_example_SAE.m示例文件，利用STL-10数据集中的无标注图片训练一个自动编码器，再用自动编码器隐含层的参数初始化一个神经网络分类器，并使用训练集中有标注的图片进行训练，最后使用神经网络分类器在测试集上进行测试。测试阶段，调用nntest的返回值“er”为测试集上的识别错误率。
在训练过程中，尝试调整算法中至少一种关键参数或设置，例如自动编码器隐含层的节点个数；在至少一种与原始程序不同的参数或设置下进行实验，做出测试结果随参数或设置变化的对照图或对照表。
在test_example_SAE.m中，建议修改第16行和第28行的opts.numepochs数值，比如将原来的1改为3；如果改变自动编码器隐含层节点数目进行实验比较，需要注意：
- 第12行：sae = saesetup([784 100]);
- 第22行：nn = nnsetup([784 100 10]);
中红色标注的参数要修改一致。
报告要求
报告应包含以下内容：
- 在MNIST手写数字样本测试集上，识别率（或错误率）随参数或设置变化的对照图或对照表。
- （选做）在STL-10 测试集上，识别率（或错误率）随参数或设置变化的对照图或对照表。
- 总结收获和体会。
提交报告时，请一并提交自己编写或修改过的源代码。
附件
更多帮助，请阅读实验指导书。
实验指导书和工具箱下载：
http://166.111.6.122/RegionDownloadService/1511/0A6A33E76DFD6DFCD75E20F7C1226B7E3.html
（助教：王晗 wang-han13@mails.tsinghua.edu.cn）
课程项目-智能医药问答
（常嘉辉）
致谢
本课程获得微软Azure云计算与机器学习捐赠支持。
感谢微软公司 杨滔经理，章艳经理，刘士君工程师，闫伟工程师。
参考文献
- Stuart Russell and Peter Norvig, Artificial Intelligence: A modern approach. Prentice-Hall, 2005.
- Ferrucci, David A. "Introduction to “this is watson”." IBM Journal of Research and Development 56.3.4 (2012): 1-1.
- Bradski, Gary, and Adrian Kaehler. Learning OpenCV: Computer vision with the OpenCV library. O'Reilly Media, Inc., 2008.
- Hauswald, Johann, et al. "Sirius: An open end-to-end voice and vision personal assistant and its implications for future warehouse scale computers." ASPLOS, ACM, 2015.
- Spectrogram, https://en.wikipedia.org/wiki/Spectrogram
- TensorFlow, https://www.tensorflow.org
