點擊上方藍字關(guān)注我們

生成技術(shù)在人工智能平臺中的應用探索

夏正勛,?楊一帆,?羅圣美,?趙大超,?張燕,?唐劍飛

星環(huán)信息科技（上海）有限公司，上海 200233

摘要：隨著人工智能（AI）技術(shù)的發(fā)展，AI應用進入了快速普及期，面對快速增長的市場需求，AI平臺有必要引入自動化方法提升開發(fā)效率。在分析生成技術(shù)研究進展、AI平臺現(xiàn)狀及挑戰(zhàn)的基礎(chǔ)上，基于生成技術(shù)實現(xiàn)了AI平臺的前后端適配、性能優(yōu)化、模型安全提升等核心工作的自動化。新方法可以根據(jù)上下文的需要，生成數(shù)據(jù)或代碼，以一種更靈活的方式滿足AI應用及內(nèi)核優(yōu)化的需求，避免了大量的手工工作，有效提升了開發(fā)效率，降低了開發(fā)成本。

關(guān)鍵詞：?生成技術(shù)?;?人工智能?;?自動化

論文引用格式：

夏正勛,楊一帆,羅圣美, 等.生成技術(shù)在人工智能平臺中的應用探索[J]. 大數(shù)據(jù), 2020, 6(6): 119-128.

XIA Z X, YANG Y F, LUO S M, et al. Application and exploration of automatic generation technology in artificial intelligence platform[J]. Big Data Research, 2020, 6(6): 119-128.

1 引言

隨著人工智能（artificial intelligence， AI）技術(shù)的快速發(fā)展，特別是在深度學習（deep learning，DL）技術(shù)的推動下，人工智能的應用需求呈爆發(fā)式增長。AI平臺是AI功能的載體，多樣化的應用需求對AI平臺提出了越來越高的要求，在不同的發(fā)展時期，AI平臺有不同的關(guān)注點。在發(fā)展初期，AI平臺關(guān)注其基礎(chǔ)能力實現(xiàn)，如對訓練及推理的支持能力、支持的算法種類等。在應用普及期，AI平臺關(guān)注其落地能力，如性能優(yōu)化、可視化管理、虛擬化支持等。近年來，AI進入快速推廣期，AI平臺更關(guān)注其商用成本及對創(chuàng)新特性的支持能力，如AI硬件支持種類、數(shù)據(jù)安全特性支持等。

為了滿足不同階段的不同需求，AI平臺需要不斷優(yōu)化升級，增強功能，這導致AI平臺處理流程越來越復雜，增加了AI平臺優(yōu)化改造的難度及工作量。為此，需要一種更靈活的AI平臺內(nèi)核實現(xiàn)手段支持新功能的開發(fā)，而生成技術(shù)可以根據(jù)上下文的需要生成數(shù)據(jù)或代碼，以一種更靈活的方式滿足AI上層應用的需求及內(nèi)核自身的改進需求，提高AI平臺的靈活性及穩(wěn)定性，快速實現(xiàn)AI平臺的自我優(yōu)化。

2 生成技術(shù)的當前研究方向與現(xiàn)狀

生成技術(shù)可以根據(jù)上下文的需要生成符合特定規(guī)則的內(nèi)容（如代碼、數(shù)據(jù)等），具體包含代碼生成技術(shù)、參數(shù)空間生成技術(shù)、數(shù)據(jù)樣本生成技術(shù)等。

代碼生成技術(shù)應用于GNU編譯器套件（GNU compiler collection，GCC）、低級虛擬機（low level virtual machine， LLVM）、Clang（C language family frontend for LLVM）等編譯器中。代碼生成模塊作為編譯器前端（frontend）的一部分，從語法和詞法分析處理模塊獲得抽象語法樹，并向編譯器后端（backend）提供字節(jié)碼，是連接編譯器前端和后端的紐帶，該過程如圖1所示。

圖1???代碼生成在編譯器處理流程中的位置

受益于代碼生成技術(shù)，編譯器可以將不同的編程語言（如C、C++、Java等）的源碼輸出為統(tǒng)一的中間表示（intermediate representation，IR），并針對中間表示進行統(tǒng)一優(yōu)化，提升代碼執(zhí)行效率。另外，代碼生成部分也為不同的編譯器后端提供標準化的字節(jié)碼輸入，使編譯器能夠在不改變源代碼的情況下，實現(xiàn)同一份源碼支持多個編譯器后端（如x86硬件平臺后端、PowerPC硬件平臺后端、ARM硬件平臺后端等），使程序具備跨平臺的支持能力。近些年，隨著深度學習技術(shù)的發(fā)展，出現(xiàn)了眾多深度學習框架，如Caffe、TensorFlow、PyTorch、MXNet等，不同深度學習框架輸出的模型相互之間并不兼容。為解決這一問題，華盛頓大學計算機科學與工程學院于2016年發(fā)布了NNVM（neural network virtual machine）編譯器，NNVM借鑒了LLVM的思想，通過代碼生成技術(shù)為不同的深度學習框架模型提供統(tǒng)一的深度學習中間表示（deep learning intermediate representation，DLIR）語言，不需要編碼即可支持多種深度學習框架模型跨硬件平臺的推理執(zhí)行。

參數(shù)空間生成技術(shù)主要應用于AI算法的超參數(shù)自動調(diào)優(yōu)階段。在AI的上下文中，超參數(shù)需要在開始學習過程之前進行設置，而不是通過訓練得到參數(shù)數(shù)據(jù)。通常情況下，超參數(shù)主要依據(jù)工程師的經(jīng)驗配置，當參數(shù)數(shù)量增多時，參數(shù)組合情況倍增，人工配置難以取得很好的效果，因此超參數(shù)自動化調(diào)優(yōu)技術(shù)的出現(xiàn)減輕了AI工程師的負擔，使其將工作重心從煩瑣、重復的選型和調(diào)參任務轉(zhuǎn)移到數(shù)據(jù)分析上。超參數(shù)自動化調(diào)優(yōu)技術(shù)通常包含參數(shù)空間的生成與參數(shù)空間的優(yōu)化選擇兩個階段，參數(shù)空間的生成是從理想狀態(tài)下的所有參數(shù)組合中選擇有潛力的候選配置，參數(shù)空間可以基于規(guī)則方法生成或基于元學習技術(shù)方法生成。參數(shù)空間的優(yōu)化選擇階段可以采用的方法有基于強化學習的超參數(shù)優(yōu)化方法、基于改進粒子群算法的深度學習超參數(shù)優(yōu)化方法、基于貝葉斯新型深度學習超參數(shù)優(yōu)化方法等。

數(shù)據(jù)樣本生成技術(shù)通常指自主學習原始樣本的分布規(guī)律，生成新的數(shù)據(jù)樣本，例如目標檢測場景中數(shù)據(jù)集的半自動生成、基于生成對抗網(wǎng)絡（generative adversarial network，GAN）的小樣本數(shù)據(jù)的生成等。在AI安全領(lǐng)域，對抗樣本的生成技術(shù)指在原有樣本的像素上添加擾動的方法，使包括卷積神經(jīng)網(wǎng)絡在內(nèi)的深度學習模型的準確率顯著降低。數(shù)據(jù)樣本生成技術(shù)的應用豐富了AI訓練數(shù)據(jù)集，解決了訓練樣本數(shù)量和樣本多樣性不足的問題，有效地提升了模型的精度及魯棒性。

3 生成技術(shù)在AI平臺中的應用及系統(tǒng)實現(xiàn)

AI平臺是提供“算法、算力、數(shù)據(jù)”基礎(chǔ)能力的平臺，在AI平臺之上是AI的各類行業(yè)應用。艾瑞咨詢發(fā)布的《2019年中國人工智能產(chǎn)業(yè)研究報告》將AI的服務分為基礎(chǔ)層服務、技術(shù)層服務、產(chǎn)品與解決方案服務，AI平臺主要涵蓋基礎(chǔ)層服務及技術(shù)層服務。具體而言，基礎(chǔ)層服務主要包含AI芯片、AI框架、AI邊緣設備、AI容器云服務、AI數(shù)據(jù)服務等；技術(shù)層服務主要包含計算機視覺、語音識別、自然語言處理、知識圖譜、機器學習等算法及模型服務等。AI平臺的建立有助于降低技術(shù)門檻，讓所有人都能享受到AI技術(shù)進步帶來的紅利。

但AI技術(shù)的快速發(fā)展及其相關(guān)應用的快速普及也為AI平臺帶來了新的挑戰(zhàn)。無論是新型算法、新型硬件的支持還是更高的AI安全可靠性要求，均需要從AI的基礎(chǔ)層、技術(shù)層進行創(chuàng)新，而這不可避免地會對AI平臺的原有架構(gòu)、流程及功能做出變更。依靠傳統(tǒng)人工編碼的方式支持AI平臺新特性的開發(fā)，工作量大，開發(fā)周期長，對新需求的響應速度較慢。本文對生成技術(shù)在AI平臺進行應用實踐及探索思考，期望能夠為AI平臺的架構(gòu)設計及技術(shù)實現(xiàn)提供一種新的思路，快速響應內(nèi)外部需求的柔性擴展。本文將生成技術(shù)應用于AI平臺的模型支持、運行時（runtime）等核心模塊，包括自動化前后端適配、自動化調(diào)優(yōu)、自動對抗學習等功能模塊，從而可以根據(jù)上下文的需要，自動地生成數(shù)據(jù)或代碼，避免了大量的手工工作，有效地提升了AI平臺的開發(fā)效率，降低了開發(fā)成本。

3.1 基于代碼生成技術(shù)的自動化前后端適配

代碼生成技術(shù)是一種利用程序生成代碼的技術(shù)，與人工編寫代碼相比，代碼生成技術(shù)有效解決了人工編寫代碼工作量大、耗時長的問題，提高了軟件開發(fā)效率。近些年，隨著AI軟硬件的快速演進發(fā)展，特別是國產(chǎn)軟硬件的發(fā)展，為了能夠?qū)崿F(xiàn)AI平臺對各類深度學習框架（如TensorFlow、MXNet、PyTorch、PaddlePaddle、MindSpore等前端框架）的廣泛兼容，同時實現(xiàn)對后端AI硬件的廣泛支持，基于代碼生成技術(shù)實現(xiàn)了自動化前后端適配子系統(tǒng)，自動化前后端適配流程如圖2所示。

圖2???自動化前后端適配流程

首先，針對不同的學習框架，自動化前后端適配子系統(tǒng)提供不同的解析腳本對模型進行解析，以提取模型中的網(wǎng)絡結(jié)構(gòu)定義、網(wǎng)絡參數(shù)及超參數(shù)等信息。統(tǒng)一IR是自動化前后端適配子系統(tǒng)定義的中間表示，統(tǒng)一IR考慮了所有深度學習框架模型的算子支持情況，統(tǒng)一IR可以與模型中的算子一一對應，對應關(guān)系被預定義在算子匹配規(guī)則表中。算子匹配規(guī)則表示例如圖3所示，其中冒號前為模型中的算子，冒號后為統(tǒng)一IR中的算子。

圖3???算子匹配規(guī)則表示例

自動化前后端適配子系統(tǒng)在遍歷神經(jīng)網(wǎng)絡的過程中，使用代碼生成技術(shù)，根據(jù)算子匹配規(guī)則表的匹配關(guān)系，生成統(tǒng)一的計算圖，如圖4所示。

圖4???統(tǒng)一計算圖示例

自動化前后端適配子系統(tǒng)可針對計算圖進行圖級別的優(yōu)化，這些優(yōu)化包含重復子句消除、計算簡化、卷積計算核合并、計算節(jié)點合并等。自動化前后端適配子系統(tǒng)根據(jù)不同的目標硬件平臺選擇不同的硬件runtime，同樣基于代碼生成技術(shù)將統(tǒng)一計算圖生成為特定硬件的執(zhí)行程序。如果目標硬件為NVIDIA GPU，則選擇的runtime為統(tǒng)一計算架構(gòu)（compute unified device architecture，CUDA）；如果目標硬件為AMD GPU，則選擇的runtime為RCOM。接著就可以調(diào)用與硬件對應的編譯器對執(zhí)行代碼進行優(yōu)化、編譯，最終生成可以在不同硬件平臺上運行的可執(zhí)行模塊。

綜上，基于代碼生成技術(shù)的應用，依據(jù)簡單的前后端類型配置信息，自動化前后端適配子系統(tǒng)可以自動地將不同深度學習框架模型轉(zhuǎn)化為在特定硬件上的可執(zhí)行代碼，減少了大量的模型轉(zhuǎn)換、硬件適配工作，提升了AI平臺的開發(fā)效率及易用性。

3.2 基于參數(shù)空間生成技術(shù)的自動化調(diào)優(yōu)

超參數(shù)是AI模型中的框架參數(shù)，如聚類算法中的類別數(shù)目、矩陣乘法中的數(shù)據(jù)形狀的定義等。超參數(shù)與訓練過程中學習到的權(quán)重參數(shù)不一樣，其通常由人工設置，不斷試錯調(diào)整，這往往會花費大量的時間。因此，基于參數(shù)空間生成及參數(shù)空間搜索的自動化參數(shù)優(yōu)化技術(shù)可以實現(xiàn)超參數(shù)調(diào)優(yōu)自動化，不需要人工參與，速度更快，性能更優(yōu)。其核心思想是：建立一個足夠大的搜索空間，保證可能的參數(shù)組合全部被包含在這個搜索空間里；快速地搜索這個空間，獲取最優(yōu)的參數(shù)組合，可以利用隨機搜索、網(wǎng)格搜索、遺傳算法、極端梯度提升樹（extreme gradient boosting，XGBoost）方法對參數(shù)空間進行檢索。

下面以矩陣乘法為例，說明自動化調(diào)優(yōu)過程中參數(shù)空間生成的應用，其計算過程如圖5所示。

圖5???二維矩陣乘法示例

如圖5所示，考慮到內(nèi)存空間有限，對于大型的矩陣乘法，通常采用分片計算的方式。在計算過程中，參與單次計算的3個數(shù)據(jù)塊均能夠在緩存中被連續(xù)訪問，這可以有效地減少上下文切換，極大地提升計算效率。但不同的AI芯片的緩存配置不同，因此人工配置難以達到最優(yōu)計算性能，需要依靠自動化方法實現(xiàn)最優(yōu)參數(shù)搜索的工作。通常首先以2ⁿ為基本單位對輸出數(shù)據(jù)的每個維度進行分割，如的計算，分割后結(jié)果為，輸出塊的形狀（shape）共有10種，[32,16]表示。接著以2ⁿ為基本單位對k軸做分割，k同樣有10種取值，因此生成的參數(shù)組合空間中的參數(shù)組合數(shù)目為100種。

在具體應用中，參數(shù)空間的生成方式與參數(shù)搜索方法有關(guān)。例如，使用網(wǎng)格搜索方法需要生成所有參數(shù)組合，并對所有參數(shù)組合進行遍歷，這并不是一種高效的參數(shù)優(yōu)化方式；使用隨機搜索方法，可能效果特別差，也可能效果特別好，在嘗試次數(shù)與網(wǎng)格搜索方法的嘗試次數(shù)相同的情況下，通常隨機搜索方法的最值會更大，變化幅度也更大，但這不會影響最終結(jié)果。在實現(xiàn)隨機搜索時可以進行優(yōu)化，過濾可能出現(xiàn)過的參數(shù)組合，避免重復生成及重復計算。使用遺傳算法進行參數(shù)調(diào)優(yōu)時，開始可以使用隨機生成方法對“種群”進行初始化工作，在優(yōu)化過程中完成參數(shù)的“復制”“交叉”“變異”等處理，當嘗試總次數(shù)大于參數(shù)空間總數(shù)時，“遺傳”結(jié)束。使用XGBoost方法對參數(shù)空間進行搜索時，每一批計算的參數(shù)組合中的95%可以遍歷生成，5%可以隨機生成。另外，不同場景中的參數(shù)生成規(guī)則可能不同，因此還需要對參數(shù)生成規(guī)則做一定的管理，在插件式管理的基礎(chǔ)上可以組合出更強的參數(shù)生成能力。

在AI平臺中，與自動化參數(shù)調(diào)優(yōu)子系統(tǒng)類似的還有自動網(wǎng)絡設計及調(diào)優(yōu)子系統(tǒng)，網(wǎng)絡生成技術(shù)通過神經(jīng)網(wǎng)絡基礎(chǔ)算子的堆疊組合，改變算子間的鏈接權(quán)重或拓撲結(jié)構(gòu)等生成規(guī)則，構(gòu)建神經(jīng)網(wǎng)絡架構(gòu)空間，然后在生成的網(wǎng)絡架構(gòu)空間中使用遺傳算法、XGBoost等方法完成網(wǎng)絡架構(gòu)的優(yōu)化選擇。

3.3 基于數(shù)據(jù)樣本生成技術(shù)的自動對抗學習

隨著AI技術(shù)的深入應用，人們越來越關(guān)注AI自身的安全性問題。2018年，360安全研究院發(fā)布的《AI安全風險白皮書》指出：深度學習框架中對抗機器學習的惡意樣本生成、訓練數(shù)據(jù)的污染等可能導致AI驅(qū)動的識別系統(tǒng)出現(xiàn)混亂，形成漏判或者誤判，甚至導致系統(tǒng)崩潰或被劫持。Kurakin A等人提出了大規(guī)模對抗機器學習系統(tǒng)，通過將對抗樣本加入訓練過程，增強模型的抗攻擊能力。在分析對抗樣本及數(shù)據(jù)毒化等AI攻擊方法的基礎(chǔ)上，結(jié)合對抗學習理念，可以構(gòu)建商用化的AI對抗學習子系統(tǒng)，其系統(tǒng)處理流程如圖6所示。

圖6???AI對抗學習子系統(tǒng)流程

AI對抗學習子系統(tǒng)基于數(shù)據(jù)樣本生成技術(shù)，針對特定的模型及原始樣本生成能夠誤導模型判斷的對抗樣本，對抗樣本的生成過程是在原樣本上生成能夠讓模型做出誤判的微小擾動的過程。具體而言，這類擾動可以通過梯度方法或仿射平面方法等白盒方法生成，如FGSM、C＆Wattacks、DeepFool等，或者通過生成網(wǎng)絡方法、差分進化算法等黑盒方法生成，如UPSET、ANGRI、Houdini、One-Pixel等。對抗樣本生成器可以使用上述方法生成對抗樣本，對抗樣本的特點是與正常樣本偏差很小，但模型輸出結(jié)果偏差很大，通過將對抗樣本加入學習過程，可以提升模型的抗攻擊能力。這個過程是一個自動化的持續(xù)學習過程，通過不斷地生成、訓練，持續(xù)提升模型的安全性。同樣的思路，對于數(shù)據(jù)毒化的攻擊來說，可以通過毒化樣本生成器生成毒化樣本，這類樣本的特點是與正常樣本偏差比較大，但模型輸出結(jié)果偏差很小。將毒化樣本加入學習過程，可以提升模型抗毒化的能力。在模型訓練的過程中引入對抗攻擊，從而提升模型對對抗攻擊的魯棒性是一種行之有效的提升模型安全性的方法，但理論上也存在局限性。該方法需要使用高強度的對抗樣本，網(wǎng)絡架構(gòu)也需要具有充足的表達能力，并且不能排除存在新對抗樣本的可能性。

4 應用案例

AI、大數(shù)據(jù)等互聯(lián)網(wǎng)技術(shù)和互聯(lián)網(wǎng)企業(yè)的發(fā)展，為電網(wǎng)公司進行企業(yè)轉(zhuǎn)型提供了鮮明的指引，電網(wǎng)企業(yè)需要使用新的技術(shù)手段對整體業(yè)務進行賦能。以星環(huán)信息科技（上海）有限公司的Sophon AI平臺在某世界500強電力集團公司智能巡檢項目中的應用為例，其應用場景如圖7所示。

圖7???輸電線路智能巡檢應用場景

本項目涵蓋了固定攝像頭、無人機、直升機、機器人、移動作業(yè)、衛(wèi)星遙感等空天一體化全方位巡檢方式，采集數(shù)據(jù)日增量達TB級。為了支撐當前的線路智能巡檢要求，在變電站一級部署了大量嵌入式邊緣計算設備，邊緣設備有兩種型號EDGE100及EDGE200，其中EDGE100處理器為ARM Cortex-M系列處理器，EDGE200處理器為RISC-V定制處理器，操作系統(tǒng)均為CentOS7。原模型既有TensorFlow模型也有PyTorch模型，運行在Windows x86服務器之上，本項目中需要將AI模型從x86服務器平臺遷移至嵌入式設備。遷移過程通常會遇到如下問題：

● 模型需要對軟硬件環(huán)境重新進行適配；

● 嵌入式設備處理能力不足，需要優(yōu)化模型，提升計算效率，使模型能夠正常運行。

按通常做法，需要通過人工方式分別將不同框架模型遷移到不同硬件平臺，再進行性能調(diào)優(yōu)，這些工作通常需要投入大量資源，從開發(fā)到功能上線周期較長，耗時耗力。Sophon AI平臺基于代碼生成技術(shù)實現(xiàn)了自動化前后端適配功能，基于代碼生成技術(shù)可以將主流深度學習框架的模型轉(zhuǎn)換為統(tǒng)一的IR，實現(xiàn)跨學習框架的模型快速適配。在此基礎(chǔ)上，同樣基于代碼生成技術(shù)，Sophon AI平臺可將統(tǒng)一的IR生成適配不同硬件的執(zhí)行代碼，從而實現(xiàn)跨硬件平臺的模型快速遷移。借助Sophon AI平臺自動化前后端適配、自動化調(diào)優(yōu)的能力，本項目中紅外發(fā)熱點檢測、桿塔傾斜檢測、絕緣子脫落檢測等模型在6 h之內(nèi)實現(xiàn)了模型遷移、部署、微調(diào)的工作，相對于傳統(tǒng)人工遷移的方式，大大縮短實施時間。此外Sophon AI平臺還基于參數(shù)空間生成技術(shù)實現(xiàn)了超參自動優(yōu)化功能，相對于按經(jīng)驗配置，自動優(yōu)化的參數(shù)配置更能最大化發(fā)揮EDGE100、EDGE200設備的計算性能，優(yōu)化后單圖片識別的平均處理時長由5.13 ms縮短至4.52 ms，推理效率平均提升了11.9%。本項目的成功實施推動了AI技術(shù)在電力電網(wǎng)領(lǐng)域的應用，也驗證了生成技術(shù)在AI平臺中的應用價值。

5 結(jié)束語

多框架模型的支持、多硬件平臺的支持、模型計算性能調(diào)優(yōu)、模型安全性的提升是AI平臺的核心功能，本文在AI平臺基礎(chǔ)技術(shù)實現(xiàn)層面進行了思考與實踐，借助生成技術(shù)實現(xiàn)上述工作的自動化，避免了在代碼遷移、適配、調(diào)優(yōu)、測試等工作環(huán)節(jié)的重復投入，具有現(xiàn)實的意義。代碼生成、參數(shù)生成、網(wǎng)絡生成、樣本生成等生成技術(shù)的應用使Sophon AI平臺靈活易用，基于生成技術(shù)從前后端適配、性能調(diào)優(yōu)、安全提升等多個層面打造高效的AI開發(fā)平臺，避免了大量人工開發(fā)的工作，縮短了需求響應周期，全方面地提升了AI平臺的應用開發(fā)效率。面向未來，從更高的要求出發(fā)，AI系統(tǒng)還需要具備環(huán)境自適應性、自我進化能力，而生成技術(shù)具備適配上下文的需要、動態(tài)輸出合適對象的能力，這種柔性的動態(tài)生成能力相對于固化的應用功能，無疑更貼近新一代智能系統(tǒng)“自適應性”“自我進化”的需要。

作者簡介

夏正勛（1979-），男，星環(huán)信息科技（上海）有限公司高級研究員，主要研究方向為大數(shù)據(jù)、數(shù)據(jù)庫、人工智能、流媒體處理技術(shù)等 。

楊一帆（1985-），男，博士，星環(huán)信息科技（上海）有限公司產(chǎn)品總監(jiān)、首席科學家，主要研究方向為統(tǒng)計（統(tǒng)計計算、生存分析、時間序列和生物信息）、機器學習中圖計算、強化學習等 。

羅圣美（1971-），男，博士，星環(huán)信息科技（上海）有限公司大數(shù)據(jù)研究院院長，主要研究方向為大數(shù)據(jù)、并行計算、云存儲、人工智能等 。

趙大超（1989-），男，星環(huán)信息科技（上海）有限公司產(chǎn)品研發(fā)經(jīng)理，主要研究方向為大數(shù)據(jù)、人工智能等 。

張燕（1985-），女，星環(huán)信息科技（上海）有限公司大數(shù)據(jù)技術(shù)研究員，主要研究方向為大數(shù)據(jù)、人工智能等 。

唐劍飛（1986-），男，星環(huán)信息科技（上海）有限公司大數(shù)據(jù)技術(shù)標準研究員，主要研究方向為大數(shù)據(jù)、數(shù)據(jù)庫、圖計算等 。

聯(lián)系我們:

Tel:010-81055448

? ? ? ?010-81055490

? ? ? ?010-81055534

E-mail:bdr@bjxintong.com.cn?

http://www.infocomm-journal.com/bdr

http://www.j-bigdataresearch.com.cn/

轉(zhuǎn)載、合作：010-81055537

大數(shù)據(jù)期刊

《大數(shù)據(jù)（Big Data Research，BDR）》雙月刊是由中華人民共和國工業(yè)和信息化部主管，人民郵電出版社主辦，中國計算機學會大數(shù)據(jù)專家委員會學術(shù)指導，北京信通傳媒有限責任公司出版的期刊，已成功入選中文科技核心期刊、中國計算機學會會刊、中國計算機學會推薦中文科技期刊，并被評為2018年、2019年國家哲學社會科學文獻中心學術(shù)期刊數(shù)據(jù)庫“綜合性人文社會科學”學科最受歡迎期刊。

關(guān)注《大數(shù)據(jù)》期刊微信公眾號，獲取更多內(nèi)容

總結(jié)

以上是生活随笔為你收集整理的生成技术在人工智能平台中的应用探索的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。