浅析科研项目背后的违规现象——对高校科研项目经费审计的思考

高校科研项目经费管理中,制度的缺陷和潜规则的盛行,纵容和助长了科研项目背后的违规现象。从审计的角度分析其存在的共性问题及其成因,提出规避违法违纪行为的合理性建议,对于规范高校科研项目经费管理具有重要意义。

中国“农二代”分类与比较研究

"农二代"是中国城镇化建设进程中出现的特殊群体,在国民经济中发挥着重要作用,他们已然成为外出农民工的主体。对"农二代"进行分类,从对比角度分析"农二代"在城市生存中的问题与现状,倡导平等参与现代化进程,有利于促进社会公平正义,推动建设和谐世界。

嵌入式微操作系统的设计与实现

文章针对单片机系统上多任务并发需求,以极低的代码开销设计实现了一套具有实时调度能力的微型操作系统,该操作系统采用静态任务调度方式,可支持FAT文件系统,多优先级任务调度,任务间通信等多进程机制。并在8位单片机和32位STM32系统上得到运行验证,能够完成多任务的并发操作和系统稳定运行。

基于DPU加速的CNN推理系统设计与实现

针对卷积神经网络推理阶段的高性能需求与边缘设备的性能限制导致的推理实时性问题,利用软硬件协同设计的思想,采用DPU实现了CNN的推理加速,提高计算性能的同时降低了推理时间。首先搭建了基于DPU加速器的硬件与软件平台,其次为了降低CNN模型的存储体积和计算量,对模型的数据进行量化与预编译处理,最后使用DPU对ResNet50进行了加速测试。在单次推理测试中,DPU的运算性能为76.43GOPS,平均负载为73%,耗时100.88ms,与CPU相比推理速度提升了40.48倍。在多次推理过程中,两次推理之间间隔最长为746.343ms,最短为418.776ms,DPU的平均调度效率为21.88%。经过数据定点处理的模型Top1加Top2的精度为92.61%,与未处理的模型相比,精度丢失仅为1.9%。

卷积神经网络DPU加速系统设计与实现

针对嵌入式AI系统中卷积神经网络推理阶段实时性问题,利用软硬件协同设计的思想,在ZYNQ UltraScale+芯片上搭建了基于Deep Learning Processing Unit(DPU)的加速系统,同时为解决DPU调度效率较低的问题,基于优先队列的思想提出了一种适用于DPU的多任务多线程调度策略。在ResNet50,MobileNetV2和DenseBox+MobileNetV2模型上的实验结果表明,加速系统性能与PC机CPU相比提升了141倍,与GPU相比提升了15倍,功耗仅为CPU的6%,GPU的2%。提出的调度策略使DPU调度效率提升了28%,并有效的保证了多任务推理流程的完整性和有序性。