Caffe深度学习框架下的电力系统异常数据智能捕获研究

文章基于Caffe深度学习框架构建了一种电力系统异常数据智能捕获系统,从自动化协议栈的多层架构、异常数据拷贝及数据捕获映射条件等方面进行具体异常数据智能捕获分析,验证了该体系的实际异常数据处理量及处理效率等。

基于Caffe深度学习框架的车牌数字字符识别算法研究

在车牌字符识别的某些场合中,获得的字符通常存在切割不均匀、光照对比度强烈、遮挡严重等强噪声污染.针对被强噪声污染的数字字符,提出一种基于Caffe深度学习框架的字符识别算法,在Caffe框架下搭建卷积神经网络,并对网络参数训练获得了一个鲁棒性强、识别精度高的网络结构.实验结果表明,在低噪声、中度噪声、强噪声污染情况下,文章中提出的方法相比当前典型的识别方法,在数字字符识别上均具有较好的识别能力,平均识别率高出将近5%,而在强噪声污染情况下,识别效果具有更加明显的优势.

基于Caffe深度学习框架的标签缺陷检测应用研究

本文根据深度学习模型智能化的特点,提出了一种基于Caffe框架的深度学习缺陷检测模型,该模型的创新点主要表现在使用Dropout函数在图像特征抽象过程中,不断地踢除提取到的一般特征点,保留有效特征点,从而提高模型的分类识别率。实验结果表明,该方法的分类识别率高达97. 66%。与传统深度学习标签缺陷检测算法相比,该研究更加注重图像有效特征的提取,很大程度上提高了模型检测准确率,同时无需进行复杂的模板制作,实现方法简单,适应性强。

基于深度学习Caffe框架的瓜蒌子完整度检测方法

为了进一步发展农业方向的自动化、无人化,改善在农产品检测方面使用人工检测的速度慢、精度低、费时费力的现状,为了降低图像处理中计算所使用的数据量,同时也为了提高图像信息的易读性,将构建瓜蒌子图像采集系统获取与环境颜色对比度明显的待检测瓜蒌子图像。利用深度学习Caffe框架中的深度卷积神经网络模型对瓜篓子完整度进行综合识别,使用了深度学习Caffe架构中的深度卷积式神经网络模型对瓜篓子的完整程度进行了综合辨识。结果得到瓜篓子整齐程度的综合识别率,再与支持向量机语言(SVM)的加以对比。深度学习Caffe架构下的深度卷积神经网络模式的识别率,相对于支持向量机器(SVM)的方式进行了提升,且成效更加突出。

强化学习引导模型生成的深度学习框架漏洞挖掘

现有基于应用模型挖掘漏洞的方法随机生成模型的结构信息,容易造成大量低质测试用例的生成,严重影响漏洞挖掘的效率和效果.针对该问题提出了一种强化学习引导模型生成的深度学习框架漏洞挖掘方法.提取模型运行时的框架状态信息,包括Softmax距离、程序执行结果等,再将框架运行状态信息作为奖励变量指导模型结构与超参数的生成,进而提升测试用例的生成质量与效率.实验结果表明,在生成测试用例数量相同的条件下该方法能够发现更多深度学习框架的漏洞,实用价值高.

深度学习框架测试研究综述

随着大数据和计算能力的快速发展,深度学习技术取得巨大突破,并迅速成为一个具有众多实际应用场景和活跃研究课题的领域.为了满足日益增长的深度学习任务开发需求,深度学习框架应运而生.深度学习框架作为连接应用场景和硬件平台的中间部件,向上支撑深度学习应用的开发,帮助用户快速构造不同的深度神经网络模型,向下深度适配各类计算硬件,满足不同算力架构和环境下的计算需求.作为人工智能领域的关键基础软件,深度学习框架中一旦存在问题,即使是一个只有几行代码的缺陷都可能导致在其基础上构造的模型发生大规模失效,严重威胁深度学习系统安全.作为以深度学习框架测试为主题的研究性综述,首先对深度学习框架发展历程和基本架构进行介绍;其次,通过对55篇与深度学习框架测试研究直接相关的学术论文进行梳理,对深度学习框架缺陷特性、测试关键技术和基于不同测试输入形式的测试方法这3个方面进行系统分析和总结;针对不同测试输入形式的特点,重点探究如何结合测试关键技术来解决研究问题;最后对深度学习框架测试尚未解决的难点问题进行总结以及对未来值得探索的研究方向进行展望.可以为深度学习框架测试研究领域的相关人员提供参考和帮助,推动深度学习框架的不断发展成熟.

面向深度学习应用的组件式开发框架的设计实现

针对目前深度学习应用缺少有效的开发与部署工具的问题,提出一个面向深度学习应用的组件式开发框架。所提框架根据应用的资源消耗类型进行功能拆分,使用评测引导的资源分配方案进行瓶颈消除,使用分步装箱方案兼顾高CPU利用率和低显存开销的功能放置。基于此框架开发的实时车牌号检测应用,在吞吐优先模式下GPU利用率达到82%,在延迟优先模式下平均应用延迟达到0.73 s,在三种模式下(吞吐优先模式、延迟优先模式以及吞吐/延迟的均衡模式)下,CPU平均利用率达到68.8%。实验结果表明,基于此框架能够进行硬件吞吐与应用延迟的平衡型配置,在吞吐优先模式下高效利用平台的计算资源,在延迟优先模式下满足应用的低延迟需求。相较于MediaPipe,使用本框架能够进行超实时的多人姿态估计应用开发,应用的检测帧率最高提升了1077%。实验结果表明,所提框架能够作为CPU-GPU异构服务器上面向深度学习应用开发部署的有效解决方案。

智能时代深度学习教学法的核心要义与行动框架

智能时代的教学范式面临从“消费模式”向“生成模式”转型的挑战。促进教学范式成功转型的关键在于深度学习方式的变革,并通过重构深度学习教学法实现“化知识为素养”。在考察国际典型深度学习项目的基础上,归结出深度学习教学法的七大关键特征以及从理解世界、参与世界到改变世界进阶转换的设计要义,并构建了“课堂—学校”系统联动变革课堂的行动框架。深度学习没有固定模式,而现实教学情境又复杂多元。研究认为,为一线教师提供一种由“核心要义+行动框架”组成的、更具情境指导力量的“解释性教学法框架”,将更有助于他们超越具体教学模式的应用局限,有效推动深度学习的实践落地,并更有可能创建更多富有成效且个性多彩的深度学习课堂。

LinuxBoot固件深度学习框架移植

为使依赖深度学习框架的应用在LinuxBoot固件环境下发挥应有效能,提出一种在LinuxBoot固件环境中植入深度学习框架的技术方案。通过对Linux操作系统环境中正常运行深度学习框架所需依赖进行分析,设计一种将深度学习框架移植入LinuxBoot固件环境的技术路线,构建将二者合二为一的系统结构及交互流程,提出借助USB闪存驱动器存储移植内容的技术方案,给出具体的移植操作指令及初始化脚本。在Thinkpad固件中进行真机实验,展示移植后的深度学习框架在图像分类、自然语言处理、恶意代码检测、恶意代码分类等多种任务上均能正常运行,在各项评估指标上表现良好。

基于集成深度学习框架的新型冠状病毒感染治疗药物活性预测

目的 建立预测新型冠状病毒感染治疗药物活性的集成深度学习框架。方法 采用卷积神经网络(CNN)和递归神经网络(RNN)从简化分子线性输入规范(SMILES)字符串序列信息中筛选出代表性的特征标识,以深度神经网络(DNN)从离散特征信息中提取更高级别的抽象特征,均以网格筛选法生成1个主框架模型和7个离散特征模型的最优结构,构成8种架构的127种可能组合。通过准确率(ACC)、F、召回率(Recall)、精确度(PRE)和马修斯相关系数(MCC)5个标准指标评估模型的预测性能。建立和维护最终框架。结果 最终建立了1个以BiLSTM为集成深度学习框架的核心架构和4个不同的离散特征模型组成的集成深度学习模型,训练集ACC为72.84%,F为69.70,Recall为72.21%,PRE为68.03,MCC为0.456 9;测试集中成功预测了23种可能对新型冠状病毒感染有治疗作用的药物。结论 集成深度学习框架相较于单个模型具有更强的预测能力,该研究为新型冠状病毒感染治疗药物的筛选提供了新的选择。

基于深度学习框架的建筑领域算法服务平台研究与实践

文章提出了一种基于深度学习框架的建筑领域算法服务平台,研究了深度学习和深度学习基础框架,并对该平台的架构、功能和数据模型研究和实践进行了阐述。

分布式深度学习框架下主动式网络安全性能感知系统设计

主动式网络在数据传输过程中容易受到黑客的攻击,威胁网络整体安全性能,为此,在分布式深度学习框架下设计主动式网络安全性能感知系统。基于分布式理论加速训练深度学习算法获取最佳参数集合,应用训练好的深度学习算法——卷积自动编码器提取安全性能感知数据的重要特征,以此为基础,分析影响网络安全性能的关键因素。选取感知指标,并应用模糊层次分析法计算其权重数值。构建网络安全性能感知模型,制定网络安全性能等级判定规则,即可确定网络安全性能感知结果。实验数据显示,设计系统应用后主动式网络安全性能感知误差最小值为0.4%,保障了主动式网络安全运行。

深度学习背景下计算机视觉算法应用探究——评《深度学习与计算机视觉:算法原理、框架应用与代码实现》

近年来,基于深度学习算法的人工智能技术得到了迅猛发展,并与社会各个领域深度融合,推动着人类社会的教育、娱乐、工业以及农业等多个方面发生了重大变革,可以说人工智能热潮已席卷全人类社会。在人工智能领域,语音识别、自然语言处理以及计算机视觉是最主要的三大技术领域,现今已基本实现落地产业化,尤其是计算机视觉技术,被广泛应用于农业智能机械、汽车交通、医疗诊断以及工业检测与安防监控等领域,为人类社会发展作出了重要贡献。笔者参考由叶韵编写、机械工业出版社出版的《深度学习与计算机视觉:算法原理、框架应用与代码实现》一书,探讨深度学习背景下计算机视觉算法的可行性应用场景。

分布式深度学习框架下配电网无功补偿灰色关联优化规划模型

配电网网损较高,投入成本较多,节点功率参数不稳定,由此提出分布式深度学习框架下配电网无功补偿灰色关联优化规划模型。以网络损耗最小、电压品质最优、经济利益最大为目标函数,综合潮流、控制变量、电压约束等约束条件,建立配电网无功补偿规划模型;运用灰色关联分析的方法确定关联度,通过深度学习神经网络以及参数更新后的分布式深度学习框架,求取全局最优解,完成配电网无功补偿优化规划。实验证明,该模型可以有效地规划配电网无功补偿模式,降低网损和投入成本,提升电压质量,保证了配电网无功补偿效果,促进了整个电网的稳定运行。

教育4.0框架下大学英语深度学习路径研究

深度学习是指学习者能够运用习得的核心科学知识来解决复杂问题,在此过程中,学习者的协作能力、沟通能力、学习能力、批判性思维和毅力都能得到锻炼。文章基于教育4.0框架,设计了大学英语深度学习模型,从教、学、评三方面阐述了深度学习的实施路径,采用问卷调查法、访谈法以及实证研究法来收集数据,验证了基于教育4.0框架设计的深度学习模型能够在基础知识掌握、深度学习成果与迁移、深度学习综合结果三个方面提升学生深度学习的成效。

模块化深度学习框架在多语言机器翻译中的应用与性能评估

为了提升翻译质量、计算效率和扩展性,引入优化的注意力机制、稀疏激活技术和动态路由算法,实现了对多语言翻译任务的高效处理。采用最大化似然估计和多语言预训练模型,并结合Transformer注意力桥和专家混合模型,在处理新增语言对时展示出显著的性能提升。实验结果表明,模块化深度学习框架在BLEU和ROUGE指标上的表现优于传统NMT模型和基于Transformer的模型,训练时间和推理速度也得到显著优化。同时,增量学习适应性和新语言支持能力显著增强,验证了该框架在多语言翻译任务中的广泛适用性和高效性。

深度学习框架Caffe在图像分类中的应用

2006年深度学习的提出为机器学习领域带来新的革命,深度学习的成功不仅依赖于理论和模型上的突破,也离不开大数据环境下的海量训练样本以及不断革新的先进计算技术。在GPU被应用于科学计算之前,神经网络特别是大型神经网络的训练时间往往令人生畏。GPU特别适应于并行计算的特性给神经网络的训练速度带来数十倍的提升。开源的GPU计算框架也不断地推陈出新,推动深度学习在各方面的应用,Caffe就是其中的一种。由于简单易用、性能强大,Caffe框架受到了广泛的认可。利用Caffe框架对印章类型进行识别,所采用的两种模型都取得极好的实验效果,对印章的自动识别提供新的参考。

基于深度学习的抽取式摘要研究综述

自动文本摘要(ATS)是自然语言处理的热门研究方向,主要实现方法分为抽取式和生成式两类。抽取式摘要直接采用源文档中的文字内容,相比生成式摘要具有更高的语法正确性和事实正确性,在政策解读、官方文件总结、法律和医药等要求较为严谨的领域具有广泛应用前景。目前基于深度学习的抽取式摘要研究受到广泛关注。主要梳理了近几年基于深度学习的抽取式摘要技术研究进展;针对抽取式摘要的两个关键步骤——文本单元编码和摘要抽取,分别分析了相关研究工作。根据模型框架的不同,将文本单元编码方法分为层级序列编码、基于图神经网络的编码、融合式编码和基于预训练的编码四类进行介绍;根据摘要抽取阶段抽取粒度的不同,将摘要抽取方法分为文本单元级抽取和摘要级抽取两类进行分析。介绍了抽取式摘要任务常用的公共数据集和性能评估指标。预测并分析总结了该领域未来可能的研究方向及相应的发展趋势。

基于权参数优化的并行深度学习光伏功率预测

针对不同应用场景下光伏数据波动模式差异较大时,现有的光伏发电功率预测模型存在精度及适应性不足的问题,提出了一种具有权参数自适应性的并行深度学习光伏发电功率预测框架。该框架包含2种可以并行预测的深度学习算法单元(Attention-Seq2Seq单元、Transformer单元)以及一个权参数自适应优化单元。基于所提出的并行深度学习框架,对光伏发电功率进行预测,并分别与Attention-Seq2Seq、Transformer模型的预测结果进行了对比验证。结果表明:基于权参数优化的并行深度学习光伏功率预测框架弥补了不同数据波动模式下单一算法预测精度和适应性不足的问题,也可以有效解决时间序列预测中的长距离依赖问题,较单一算法预测精度更高,其平均绝对误差和均方根误差在夏季典型日最大降幅分别是41.18%和45.59%,在冬季典型日最大降幅分别是81.13%和82.86%。

深度学习框架:算法集成和产业基础

人工智能发展离不开算法、算力、数据三要素,深度学习框架是加速算法创新和应用的基础软件,是决定产业技术水平的关键。在深度学习框架方面,我国与美国存在较大差距。美国的领先地位源自先发优势,也得益于科技巨头的大力推动,更重要的是生态体系导致的强者恒强。在大国竞争的背景下,应高度重视深度学习框架在人工智能产业发展中的关键作用,遵循产业发展规律制定长期追赶策略。