全流程，从零搞懂基于PaddlePaddle的图像分割
本项目介绍从零开始完成图像语义分割任务的流程：自建鸽子图片数据集，经拍摄、labelme标注、生成标签图并上传至AI Studio；随后分别基于Paddle2.0 API和PaddleSeg2.0，使用U-Net网络进行训练、验证与预测，展示了两种实现鸽子图像分割的方法。
1. 项目简介
本项目介绍如何从零开始完成一个图像分割任务。通过自建数据集，并分别使用基于Paddle2.0和PaddleSeg2.0的方法完成图像分割任务。
1.1 什么是图像分割
图像分割是一种典型的计算机视觉任务，指的是将一张图像分割成既定类别的几个区域。图像分割本质上是一种像素级别的图像分类任务。
图像分割通常分为语义分割、实例分割、全景分割，如图1所示。另外，还有基于视频的目标分割和实例分割。本项目中我们将完成一个图像语义分割任务。
图1 图像分割任务示意图
2. 创建数据集
本项目采用自建的鸽子图片数据集。创建数据集分为如下几步：
2.1. 拍摄鸽子的照片。
拍摄鸽子图片时尽量选择不同角度、不同背景进行拍摄，图片中的鸽子数量也尽量不同，以便增加图片的多样性从而提高最后模型的鲁棒性。由于本项目只是讲述流程，故这里仅采用了124张照片。
2.2. 使用labelme进行标注。
严格按照labelme github仓库主页的描述来安装labelme，链接为labelme github网址
2.3. 基于标注好的图片利用json文件生成原始图片和标签图片。
使用labelme完成标注任务后，需要利用保存的json文件来生成原始图片和对应的标签图片。这里要注意的是，由于labelme自带的labelme_json_to_dataset命令只能处理单个json文件，如果要批量处理所有生成的json文件可以采用并修改如下示例代码：
import ospath = PATH_TO_JSONjson_file = os.listdir(path)#os.system("conda activate labelme")for file in json_file: os.system("labelme_json_to_dataset %s"%(path+"/"+file))登录后复制 2.4. 使用AI Studio创建并上传标注好的图片。
通常生成的数据集较大，这时可以使用AI Studio的创建数据集功能上传生成的数据，然后在项目中挂载使用。
完成以上步骤后就可以使用AI Studio进行训练、验证和预测了。
3. 训练、验证和预测
下面以U-Net网络为例，讲述两种进行训练、验证和预测的方法：基于Paddle2.0 API的方法和基于PaddleSeg2.0的方法。
3.1 基于Paddle2.0 API使用U-Net网络实现鸽子图像的语义分割任务
这部分借鉴了项目『跟着雨哥学AI』系列06：趣味案例——基于U-Net的宠物图像分割 的部分内容。
3.1.1 简要介绍
U-Net网络结构是一个基于FCN并改进后的深度学习网络，包含下采样（编码器，特征提取）和上采样（解码器，分辨率还原）两个阶段，因模型结构比较像U型而命名为U-Net。
3.1.2.环境设置
导入一些比较基础常用的模块，确认自己的飞桨版本。
In [ ]import osimport ioimport numpy as npimport matplotlib.pyplot as pltfrom PIL import Image as PilImageimport paddlefrom paddle.nn import functional as Fimport warningswarnings.filterwarnings('ignore') paddle.__version__登录后复制 '2.0.1'登录后复制
3.1.3 解压数据集
In [ ]!unzip -q 'data/data75217/doves.zip' -d work/doves登录后复制
3.1.4 数据集概览
首先我们先来了解一下我们的数据集。
数据集解压后，里面放的每个文件夹中有四个文件，分别是图片文件、标签文件、标签名字文件和可视化的图片文件，如下所示。
.├── label.png├── img.png├── label_names.txt└── label_viz.png登录后复制
我们来看看这个数据集给我们提供了多少个训练样本。
In [ ]images_path = "work/doves"image_count = len([os.path.join(images_path, image_name) for image_name in os.listdir(images_path)])print("用于训练的图片样本数量:", image_count)登录后复制 用于训练的图片样本数量: 124登录后复制
3.1.5 划分训练集、验证集和测试集
In [ ]def _sort_images(image_dir): """ 对文件夹内的图像进行按照文件名排序 """ images = [] labels = [] for image_name in os.listdir(image_dir): if os.path.isdir(os.path.join(image_dir, image_name)): images.append(os.path.join(os.path.join(image_dir, image_name), 'img.png')) labels.append(os.path.join(os.path.join(image_dir, image_name), 'label.png')) return sorted(images), sorted(labels)"""这里的分割符是\t，后面使用PaddleSeg的时候要注意修改相关代码，因为PaddleSeg读取文件时默认的分割符是空格。当然也可以将这里的\t替换为空格。"""def write_file(mode, images, labels): with open('./{}.txt'.format(mode), 'w') as f: for i in range(len(images)): f.write('{}\t{}\n'.format(images[i], labels[i])) """由于所有文件都是散落在文件夹中，在训练时我们需要使用的是数据集和标签对应的数据关系，所以我们第一步是对原始的数据集进行整理，得到数据集和标签两个数组，分别一一对应。这样可以在使用的时候能够很方便的找到原始数据和标签的对应关系，否则对于原有的文件夹图片数据无法直接应用。"""images, labels = _sort_images(images_path)eval_num = int(image_count * 0.15)"""由于图片数量有限，这里的测试集和验证集采用相同的一组图片。"""write_file('train', images[:-eval_num], labels[:-eval_num])write_file('test', images[-eval_num:], labels[-eval_num:])write_file('eval', images[-eval_num:], labels[-eval_num:])登录后复制 3.1.6 DoveDataSet数据集抽样展示
划分好数据集之后，我们来查验一下数据集是否符合预期，我们通过划分的配置文件读取图片路径后再加载图片数据来用matplotlib进行展示，这里要注意的是对于分割的标签文件因为是1通道的灰度图片，需要在使用imshow接口时注意下传参cmap='gray'。
In [ ]with open('./train.txt', 'r') as f: i = 0 for line in f.readlines(): image_path, label_path = line.strip().split('\t') image = np.array(PilImage.open(image_path)) label = np.array(PilImage.open(label_path)) if i > 2: break # 进行图片的展示 plt.figure() plt.subplot(1,2,1), plt.title('Train Image') plt.imshow(image.astype('uint8')) plt.axis('off') plt.subplot(1,2,2), plt.title('Label') plt.imshow(label.astype('uint8'), cmap='gray') plt.axis('off') plt.show() i = i + 1登录后复制 登录后复制登录后复制登录后复制
登录后复制登录后复制登录后复制
登录后复制登录后复制登录后复制
3.1.7 数据集类定义
飞桨（PaddlePaddle）数据集加载方案是统一使用Dataset（数据集定义） + DataLoader（多进程数据集加载）。
首先我们先进行数据集的定义，数据集定义主要是实现一个新的Dataset类，继承父类paddle.io.Dataset，并实现父类中以下两个抽象方法，__getitem__和__len__：
class MyDataset(Dataset): def __init__(self): ... # 每次迭代时返回数据和对应的标签 def __getitem__(self, idx): return x, y # 返回整个数据集的总数 def __len__(self): return count(samples)登录后复制
在数据集内部可以结合图像数据预处理相关API进行图像的预处理（改变大小、反转、调整格式等）。
由于加载进来的图像不一定都符合自己的需求，举个例子，已下载的这些图片里面就会有RGBA格式的图片，这个时候图片就不符合我们所需3通道的需求，我们需要进行图片的格式转换，那么这里我们直接实现了一个通用的图片读取接口，确保读取出来的图片都是满足我们的需求。
另外图片加载出来的默认shape是HWC，这个时候要看看是否满足后面训练的需要，如果Layer的默认格式和这个不是符合的情况下，需要看下Layer有没有参数可以进行格式调整。不过如果layer较多的话，还是直接调整原数据Shape比较好，否则每个layer都要做参数设置，如果有遗漏就会导致训练出错，那么在本案例中是直接对数据源的shape做了统一调整，从HWC转换成了CHW，因为飞桨的卷积等API的默认输入格式为CHW，这样处理方便后续模型训练。
本项目的数据集定义的代码可以参考code目录下的dove_dataset.py文件。
3.1.8 模型组网
U-Net是一个U型网络结构，可以看做两个大的阶段，图像先经过Encoder编码器进行下采样得到高级语义特征图，再经过Decoder解码器上采样将特征图恢复到原图片的分辨率。
具体的网络定义的代码可以参考code目录下的unet.py文件,具体网络结构包括如下几部分。
3.1.9 定义SeparableConv2D接口
我们为了减少卷积操作中的训练参数来提升性能，是继承paddle.nn.Layer自定义了一个SeparableConv2D Layer类，整个过程是把filter_size * filter_size * num_filters的Conv2D操作拆解为两个子Conv2D，先对输入数据的每个通道使用filter_size * filter_size * 1的卷积核进行计算，输入输出通道数目相同，之后在使用1 * 1 * num_filters的卷积核计算。
3.1.10 定义Encoder编码器
我们将网络结构中的Encoder下采样过程进行了一个Layer封装，方便后续调用，减少代码编写，下采样是有一个模型逐渐向下画曲线的一个过程，这个过程中是不断的重复一个单元结构将通道数不断增加，形状不断缩小，并且引入残差网络结构，我们将这些都抽象出来进行统一封装。
3.1.11 定义Decoder解码器
在通道数达到最大得到高级语义特征图后，网络结构会开始进行decode操作，进行上采样，通道数逐渐减小，对应图片尺寸逐步增加，直至恢复到原图像大小，那么这个过程里面也是通过不断的重复相同结构的残差网络完成，我们也是为了减少代码编写，将这个过程定义一个Layer来放到模型组网中使用。
3.1.12 训练模型组网
按照U型网络结构格式进行整体的网络结构搭建，三次下采样，四次上采样。
3.1.13 模型可视化
调用飞桨提供的summary接口对组建好的模型进行可视化，方便进行模型结构和参数信息的查看和确认。
In [ ]import paddlefrom code.unet import DoveNetnum_classes = 2IMAGE_SIZE = (224, 224)network = DoveNet(num_classes)model = paddle.Model(network)model.summary((-1, 3,) + IMAGE_SIZE)登录后复制
----------------------------------------------------------------------------- Layer (type) Input Shape Output Shape Param # ============================================================================= Conv2D-1 [[1, 3, 224, 224]] [1, 32, 112, 112] 896 BatchNorm2D-1 [[1, 32, 112, 112]] [1, 32, 112, 112] 128 ReLU-1 [[1, 32, 112, 112]] [1, 32, 112, 112] 0 ReLU-2 [[1, 32, 112, 112]] [1, 32, 112, 112] 0 SeparableConv2D-1 [[1, 32, 112, 112]] [1, 64, 112, 112] 2,400 BatchNorm2D-2 [[1, 64, 112, 112]] [1, 64, 112, 112] 256 ReLU-3 [[1, 64, 112, 112]] [1, 64, 112, 112] 0 SeparableConv2D-2 [[1, 64, 112, 112]] [1, 64, 112, 112] 4,736 BatchNorm2D-3 [[1, 64, 112, 112]] [1, 64, 112, 112] 256 MaxPool2D-1 [[1, 64, 112, 112]] [1, 64, 56, 56] 0 Conv2D-2 [[1, 32, 112, 112]] [1, 64, 56, 56] 2,112 Encoder-1 [[1, 32, 112, 112]] [1, 64, 56, 56] 0 ReLU-4 [[1, 64, 56, 56]] [1, 64, 56, 56] 0 SeparableConv2D-3 [[1, 64, 56, 56]] [1, 128, 56, 56] 8,896 BatchNorm2D-4 [[1, 128, 56, 56]] [1, 128, 56, 56] 512 ReLU-5 [[1, 128, 56, 56]] [1, 128, 56, 56] 0 SeparableConv2D-4 [[1, 128, 56, 56]] [1, 128, 56, 56] 17,664 BatchNorm2D-5 [[1, 128, 56, 56]] [1, 128, 56, 56] 512 MaxPool2D-2 [[1, 128, 56, 56]] [1, 128, 28, 28] 0 Conv2D-3 [[1, 64, 56, 56]] [1, 128, 28, 28] 8,320 Encoder-2 [[1, 64, 56, 56]] [1, 128, 28, 28] 0 ReLU-6 [[1, 128, 28, 28]] [1, 128, 28, 28] 0 SeparableConv2D-5 [[1, 128, 28, 28]] [1, 256, 28, 28] 34,176 BatchNorm2D-6 [[1, 256, 28, 28]] [1, 256, 28, 28] 1,024 ReLU-7 [[1, 256, 28, 28]] [1, 256, 28, 28] 0 SeparableConv2D-6 [[1, 256, 28, 28]] [1, 256, 28, 28] 68,096 BatchNorm2D-7 [[1, 256, 28, 28]] [1, 256, 28, 28] 1,024 MaxPool2D-3 [[1, 256, 28, 28]] [1, 256, 14, 14] 0 Conv2D-4 [[1, 128, 28, 28]] [1, 256, 14, 14] 33,024 Encoder-3 [[1, 128, 28, 28]] [1, 256, 14, 14] 0 ReLU-8 [[1, 256, 14, 14]] [1, 256, 14, 14] 0 Conv2DTranspose-1 [[1, 256, 14, 14]] [1, 256, 14, 14] 590,080 BatchNorm2D-8 [[1, 256, 14, 14]] [1, 256, 14, 14] 1,024 ReLU-9 [[1, 256, 14, 14]] [1, 256, 14, 14] 0 Conv2DTranspose-2 [[1, 256, 14, 14]] [1, 256, 14, 14] 590,080 BatchNorm2D-9 [[1, 256, 14, 14]] [1, 256, 14, 14] 1,024 Upsample-1 [[1, 256, 14, 14]] [1, 256, 28, 28] 0 Upsample-2 [[1, 256, 14, 14]] [1, 256, 28, 28] 0 Conv2D-5 [[1, 256, 28, 28]] [1, 256, 28, 28] 65,792 Decoder-1 [[1, 256, 14, 14]] [1, 256, 28, 28] 0 ReLU-10 [[1, 256, 28, 28]] [1, 256, 28, 28] 0 Conv2DTranspose-3 [[1, 256, 28, 28]] [1, 128, 28, 28] 295,040 BatchNorm2D-10 [[1, 128, 28, 28]] [1, 128, 28, 28] 512 ReLU-11 [[1, 128, 28, 28]] [1, 128, 28, 28] 0 Conv2DTranspose-4 [[1, 128, 28, 28]] [1, 128, 28, 28] 147,584 BatchNorm2D-11 [[1, 128, 28, 28]] [1, 128, 28, 28] 512 Upsample-3 [[1, 128, 28, 28]] [1, 128, 56, 56] 0 Upsample-4 [[1, 256, 28, 28]] [1, 256, 56, 56] 0 Conv2D-6 [[1, 256, 56, 56]] [1, 128, 56, 56] 32,896 Decoder-2 [[1, 256, 28, 28]] [1, 128, 56, 56] 0 ReLU-12 [[1, 128, 56, 56]] [1, 128, 56, 56] 0 Conv2DTranspose-5 [[1, 128, 56, 56]] [1, 64, 56, 56] 73,792 BatchNorm2D-12 [[1, 64, 56, 56]] [1, 64, 56, 56] 256 ReLU-13 [[1, 64, 56, 56]] [1, 64, 56, 56] 0 Conv2DTranspose-6 [[1, 64, 56, 56]] [1, 64, 56, 56] 36,928 BatchNorm2D-13 [[1, 64, 56, 56]] [1, 64, 56, 56] 256 Upsample-5 [[1, 64, 56, 56]] [1, 64, 112, 112] 0 Upsample-6 [[1, 128, 56, 56]] [1, 128, 112, 112] 0 Conv2D-7 [[1, 128, 112, 112]] [1, 64, 112, 112] 8,256 Decoder-3 [[1, 128, 56, 56]] [1, 64, 112, 112] 0 ReLU-14 [[1, 64, 112, 112]] [1, 64, 112, 112] 0 Conv2DTranspose-7 [[1, 64, 112, 112]] [1, 32, 112, 112] 18,464 BatchNorm2D-14 [[1, 32, 112, 112]] [1, 32, 112, 112] 128 ReLU-15 [[1, 32, 112, 112]] [1, 32, 112, 112] 0 Conv2DTranspose-8 [[1, 32, 112, 112]] [1, 32, 112, 112] 9,248 BatchNorm2D-15 [[1, 32, 112, 112]] [1, 32, 112, 112] 128 Upsample-7 [[1, 32, 112, 112]] [1, 32, 224, 224] 0 Upsample-8 [[1, 64, 112, 112]] [1, 64, 224, 224] 0 Conv2D-8 [[1, 64, 224, 224]] [1, 32, 224, 224] 2,080 Decoder-4 [[1, 64, 112, 112]] [1, 32, 224, 224] 0 Conv2D-9 [[1, 32, 224, 224]] [1, 2, 224, 224] 578 =============================================================================Total params: 2,058,690Trainable params: 2,051,138Non-trainable params: 7,552-----------------------------------------------------------------------------Input size (MB): 0.57Forward/backward pass size (MB): 230.07Params size (MB): 7.85Estimated Total Size (MB): 238.50-----------------------------------------------------------------------------登录后复制
{'total_params': 2058690, 'trainable_params': 2051138}登录后复制 3.1.14 启动模型训练
使用模型代码进行Model实例生成，使用prepare接口定义优化器、损失函数和评价指标等信息，用于后续训练使用。在所有初步配置完成后，调用fit接口开启训练执行过程，调用fit时只需要将前面定义好的训练数据集、测试数据集、训练轮次（Epoch）和批次大小（batch_size）配置好即可。
In [18]!python code/train.py登录后复制
3.1.15 预测数据集准备和预测
继续使用DoveDataset来实例化待预测使用的数据集。
我们可以直接使用model.predict接口来对数据集进行预测操作，只需要将预测数据集传递到接口内即可。
In [ ]import paddlefrom code.unet import DoveNetfrom code.dove_dataset import DoveDataset登录后复制 In [ ]
num_classes = 2network = DoveNet(num_classes)登录后复制 In [ ]
state_dict = paddle.load('unet.pdparams')network.set_state_dict(state_dict)model = paddle.Model(network)登录后复制 In [ ]predict_dataset = DoveDataset(mode='test')test_loader = paddle.io.DataLoader(predict_dataset, places=paddle.CUDAPlace(0), batch_size= 32)model.prepare(paddle.nn.CrossEntropyLoss(axis=1))predict_results = model.predict(test_loader)登录后复制
Predict begin...step 1/1 [==============================] - 10s/stepPredict samples: 18登录后复制
3.1.16 预测结果可视化
从我们的预测数据集中抽3个图片来看看预测的效果，展示一下原图、标签图和预测结果。
In [ ]import numpy as npimport matplotlib.pyplot as pltfrom paddle.vision.transforms import transforms as Tfrom PIL import Image as PilImage登录后复制 In [ ]
plt.figure(figsize=(10, 10))IMAGE_SIZE = (224, 224)i = 0idx = 0with open('./test.txt', 'r') as f: for line in f.readlines(): image_path, label_path = line.strip().split('\t') resize_t = T.Compose([ T.Resize(IMAGE_SIZE) ]) image = resize_t(PilImage.open(image_path)) label = resize_t(PilImage.open(label_path)) image = np.array(image).astype('uint8') label = np.array(label).astype('uint8') if i > 8: break plt.subplot(3, 3, i + 1) plt.imshow(image) plt.title('Input Image') plt.axis("off") plt.subplot(3, 3, i + 2) plt.imshow(label, cmap='gray') plt.title('Label') plt.axis("off") data = predict_results[0][0][idx].transpose((1, 2, 0)) mask = np.argmax(data, axis=-1) plt.subplot(3, 3, i + 3) plt.imshow(mask.astype('uint8'), cmap='gray') plt.title('Predict') plt.axis("off") i += 3 idx += 1plt.show()登录后复制 登录后复制登录后复制
3.2 基于PaddleSeg使用U-Net网络实现鸽子图像的语义分割任务
3.2.1 安装PaddleSeg
In [15]!pip install paddleseg登录后复制
3.2.2 克隆或者解压缩PaddleSeg
为避免由于网络造成的下载困难问题，这里采用解压缩的方法。也可以采用克隆的方法获取最新的PaddleSeg。
!git clone https://github.com/PaddlePaddle/PaddleSeg.git登录后复制 In [ ]
!unzip -q data/data75217/PaddleSeg.zip -d work登录后复制
3.2.3 开始训练
使用PaddleSeg时的配置信息是采用yml文件描述的，这里使用的是unet.yml文件.
In [16]## 使用U-net进行训练!python work/PaddleSeg/train.py --config unet.yml --save_interval 2000登录后复制
3.2.4 开始预测
In [ ]## 将测试图片拷贝到新建的文件夹中import osimport shutilif not os.path.exists('test_imgs'): os.mkdir('test_imgs')with open('test.txt', 'r') as f: paths = f.readlines() i = 0 for path in paths: img, label = path.strip().split('\t') shutil.copy(img, 'test_imgs/t'+str(i)+'.png') i += 1登录后复制 In [ ]## 将标签图片拷贝到新建的文件夹中if not os.path.exists('label_imgs'): os.mkdir('label_imgs')with open('seg_test.txt', 'r') as f: paths = f.readlines() i = 0 for path in paths: img, label = path.strip().split('\t') shutil.copy(label, 'label_imgs/t'+str(i)+'.png') i += 1登录后复制 In [17]## 开始预测并保存预测后的图片!python work/PaddleSeg/predict.py --image_path test_imgs \--model_path output/iter_10000/model.pdparams \--save_dir saved_imges \--crop_size 512 512 \--config unet.yml登录后复制
3.2.5 结果可视化
In [11]## 创建需要可视化的图片列表test_images = os.listdir('test_imgs')label_images = os.listdir('label_imgs')predicted_images = os.listdir('saved_imges/pseudo_color_prediction')test_images = ['test_imgs/' + path for path in test_images if not path.startswith('.')]label_images = ['label_imgs/' + path for path in label_images if not path.startswith('.')]predicted_images = ['saved_imges/pseudo_color_prediction/' + path for path in predicted_images if not path.startswith('.')]test_images.sort()label_images.sort()predicted_images.sort()登录后复制 In [14]## 开始可视化from paddle.vision.transforms import transforms as Timport matplotlib.pyplot as pltfrom PIL import Image as PilImageimport numpy as npplt.figure(figsize=(10, 10))IMAGE_SIZE = (224, 224)i = 0for j in range(len(test_images)): test_path = test_images[j] label_path = label_images[j] predicted_path = predicted_images[j] resize_t = T.Compose([ T.Resize(IMAGE_SIZE) ]) image = resize_t(PilImage.open(test_path)) label = resize_t(PilImage.open(label_path)) predicted = resize_t(PilImage.open(predicted_path)) image = np.array(image).astype('uint8') label = np.array(label).astype('uint8') predicted = np.array(predicted).astype('uint8') if i > 8: break plt.subplot(3, 3, i + 1) plt.imshow(image) plt.title('Input Image') plt.axis("off") plt.subplot(3, 3, i + 2) plt.imshow(label, cmap='gray') plt.title('Label') plt.axis("off") plt.subplot(3, 3, i + 3) plt.imshow(predicted, cmap='gray') plt.title('Predict') plt.axis("off") i += 3 j += 1plt.show()登录后复制 登录后复制登录后复制
免责声明
游乐网为非赢利性网站，所展示的游戏/软件/文章内容均来自于互联网或第三方用户上传分享，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系youleyoucom@outlook.com。
同类文章
AI语音深度伪造技术突破：实现近100%逼真诈骗成功率
10 月 25 日消息，接触过变声器的朋友应该或多或少听说过，目前主流的语音处理方案都是会有一定延迟时间的，甚至可以说效果越逼真，延迟就越高。据网络安全公司 NCC Group 最新披露，AI 正
谷歌发布Skills平台：3000门课程培养数字时代关键技能
10 月 25 日消息，据外媒 Techspot 今日报道，谷歌日前推出数字学习平台“Google Skills”，旨在帮助用户掌握数字时代所需的核心技能。在各大科技公司纷纷聚焦生成式 AI 变现
AI系统误判惹风波：美国学生携薯片被识别为枪支
10 月 25 日消息，据美国 WBALTV 22 日报道，美国一所学校的 AI 系统误将一名高中生手里的多力多滋薯片识别为枪支，并向当地警方报警称学生持有武器。当地时间周一晚间，当事人塔基・艾伦
夸克对话助手上线：AI生产力新标杆搜索对话融合
当前人工智能领域正经历着技术革新与市场分化的双重变革。在算法迭代加速与企业估值攀升的表象之下，用户实际体验却呈现出明显落差。许多AI产品在处理复杂任务时暴露出逻辑断裂、信息失真等问题，这种 "智能降级
全球首款类脑计算机“智者一号”：10倍能效小型化超算问世
横琴粤澳深度合作区近日迎来科技突破——全球首台类脑智能计算设备“智者一号”正式亮相。这款以类脑算法为核心的创新设备，成功将超级计算能力浓缩至迷你冰箱大小的机箱内，为提升算力能效提供了全新解决方案。设
相关攻略
热门教程
更多- 游戏攻略
- 安卓教程
- 苹果教程
- 电脑教程
