安谋科技、此芯科技与瑞莎计算机联合打造了面向AI PC、边缘、机器人等不同场景的“星睿O6”开发套件
搭载安谋科技“周易”NPU的此芯AI PC开发套件瑞莎星睿O6开发板文档、活动及评测等专栏，加开发者群请添加极术小姐姐（id:aijishu20)）。
人工智能（AI）正以前所未有的速度融入各个领域，深刻改变着人们的生活和工作方式。而个人电脑（PC）作为人们日常工作、学习和娱乐的重要工具，也在 AI 技术的加持下迎来了全新的变革 ——AI PC 时代已经来临。瑞莎 “星睿 O6”性能直逼桌面CPU，将实现低功耗AI PC。
Radxa联合此芯科技和安谋科技推出全新的"星睿O6"迷你 ITX 主板。该系统搭载了 CIX P1（CD8180）12 核 Armv9 处理器，拥有高达30T算力的NPU和高性能的GPU，最高配备64GB LPDDR内存，并提供了如 5GbE、HDMI 和 DisplayPort 等接口，还配备了一个 PCIe Gen4 x16 插槽及其他功能。这是最受期待的板子之一，因为它性能强大，...
启动zepan/zhouyi docker镜像转换模型docker run -it --rm --mount type=bind,source=/home/darknet/CM/27_zouyi/AIPU/samples/pb/resnet101pb,target=/tf/src zepan/zhouyi /bin/bash
docker run -it --rm --mount type=bind,source=/home/darknet/CM/27_zouyi/AIPU/samples/pb/resnet101pb,target=/tf/src zepan/zhouyi /bin/bash
1. 烧录sd卡从[链接]下载系统镜像与烧录。2. 链接将SD卡插到R329上。再找一根type-c转usb的线，把板子连接到电脑。从这里下载[MobaXterm]([链接])再MobaXterm中新建一个COM连接，com口会自动识别，波特率选115200，其他默认就行。用户名：root，密码：sipeed。连接之后：3. debian系统配置请参考官方的教程R329开发板教...
一直就很喜欢矽速家的产品，这些板子的设计真是深的我心😍。有幸参加了这次矽速的R329开发板测评活动并拿到了实物进行体验，接下来我将会简单地分享一下上手体验的过程和感受。
嵌入式 AI，让AI无处不在。欢迎加入微信交流群，微信号：gg15319381845（备注：嵌入式）
按照R329教程一|周易 AIPU 部署及仿真教程将tensorflow的模型转换成pb模型。这里对vgg16进行转换，转换后的模型在附件一的百度网盘。
按照R329教程一|周易 AIPU 部署及仿真教程将tensorflow的模型转换成pb模型。这里对resnet50进行转换，转换后的模型在附件一的百度网盘。
人工智能边缘计算软硬件解决方案,提供高性能、低成本、低功耗、易使用的硬件选型方案.
嵌入式端AI，包括AI算法在推理框架Tengine，MNN,NCNN，PaddlePaddle及相关芯片上的实现。欢迎加入微信交流群，微信号：aijishu20（备注：嵌入式）
本篇主要介绍MindSpore原创多跳问答检索模型TPRR，分享团队在复杂的开放域问答工作上的一些探索。十分欢迎各位一起探讨更多NLP任务场景的挑战和趋势。
强化学习(RL) 是一种流行的教学机器人导航和操纵物理世界的方法，其本身可以简化并表示为_刚体_之间的交互1（即，当对它们施加力时不会变形的固体物理对象）。为了便于在实际时间内收集训练数据，RL 通常利用模拟，其中任意数量的复杂对象的近似值由许多由关节连接并由执行器提供动力的刚体组成。但这带来了一个挑战：RL...
自去年10月英伟达将基于Mellanox的SmartNIC卡命名为“DPU”以来，这一概念一炮而红。尽管追根溯源，其实DPU概念是初创公司Fungible最先提出的，但英伟达却“接棒”将其发扬光大。
以Faster R-CNN为代表的，计算GT框和大量锚框之间的IOU来进行正负样本的取舍和分配，一般是以IOU大于0.7为正样本，IOU小于0.3为负样本，IOU大于0.3小于0.7的样本忽略不考虑。这种分配策略在后续的方法变种也非常实用和有效，但是这种固定策略仍然会因为各种大小、形状和类别的差异产生次优的结果。
瑞芯微全新RK3566 AI 电视盒方案，五大技术优势赋予传统电视盒人工智能属性，扩展智能应用场景。RK3566支持空中画布、自动人脸跟踪、手势识别等创新AI功能，其专业的ISP有效提升视频通话体验。全新的AI交互逻辑，让电视秒变智慧屏，为传统大屏用户提供快速便捷的升级方案。
今年上半年由OpenAI提出的CLIP[1]，利用4亿图像文本对训出了一个在各个图像分类数据集上表现能同有监督方法相媲美的模型，再一次将"zero-shot learning"这个名词映入了人们的眼帘。什么是"zero-shot learning"呢，首先让我们来看一下它的定义[2]：
