2016年11月5日 (六) 10:00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

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

iCenter-Cloud

Azure

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

大数据智能

项目分组

智能硬件-学生分组

作业1

Install TensorFlow Mobile in HUAWEI Kylin 930

论文研读

第一次

智能硬件-课程阅读1

第二次

智能硬件-课程阅读2

课程项目

智能硬件-课程项目

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

@@ 第84行： / 第84行： @@
 =课程项目=
-==学生准备==
+[[智能硬件-课程项目]]
-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。
-[[智能硬件-语音指令集]]
-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==
-[[智能硬件-人脸识别]]
-==课程项目-云+端整合==
-[[智能硬件-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 <font color="#FF0000">'''100'''</font>]);
-:第22行：nn = nnsetup([784 <font color="#FF0000">'''100'''</font> 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=

“智能硬件与智能系统”版本间的差异