哈哈(haha)体育

哈哈体育.(HAHA)十年运营,信誉无忧

返回新闻中心

? ? ?

手艺能力

以原创手艺系统为基本，，，，，SenseCore商汤AI大装置为焦点基座，，，，，结构多领域、多偏向前沿研究，，，，，快速买通AI在各个笔直场景中的应用，，，，，向行业赋能。。。。。。。

申请试用

相识所有案例

相识所有产品效劳

商汤研究

商汤研究始终坚持原创，，，，，一直突破立异。。。。。。。具有人工智能领域深挚的学术积累，，，，，具备健全的人才作育机制，，，，，已与海内外五十余所一流高校和科研院所建设了深度相助关系，，，，，并与众多行业同仁同心共建AI生态圈。。。。。。。

申请试用

相识所有案例

相识所有产品效劳

商汤大装置AI云 SenseCore

建设高效率、低本钱、规模唬�；；；；� AI 云基础设施，，，，，打造专业的深度学习平台及算法模子系统，，，，，引领AI立异，，，，，助力工业界及学术界探索 AI 界线。。。。。。。

申请试用

相识所有案例

相识所有产品效劳

商汤日日新大模子 SenseNova

商汤日日新大模子 SenseNova，，，，，可以提供自然语言处置惩罚、图片天生、自动化数据标注、自界说模子训练等多种大模子及能力。。。。。。。

申请试用

相识所有案例

相识所有产品效劳

水星智能移动终端平台 SenseME

哈哈(haha)体育SenseME 水星智能移动终端平台提供包括SDK、AI传感器和ISP芯片等全套产品，，，，，能够支持诸多物联网装备，，，，，以增进感知智能和内容增强

申请试用

相识所有案例

相识所有产品效劳

火星混淆现实平台 SenseMARS

SenseMARS平台通过对物理天下的数字重修、虚拟化身和软件智能体，，，，，创立全新的陶醉式和交互式的元宇宙体验

申请试用

相识所有案例

相识所有产品效劳

晶识智能零售平台 SenseGalaxy

基于商汤SKU商品识别大模子，，，，，用AI赋能智能结算、库存盘货、纯净度审核等营业场景并快速拓展至智慧商流与智慧物流领域。。。。。。。

申请试用

相识所有案例

相识所有产品效劳

焦点手艺: 以原创手艺系统为基本，，，，，SenseCore商汤AI大装置为焦点基座，，，，，结构多领域、多偏向前沿研究，，，，，
快速买通AI在各个笔直场景中的应用，，，，，向行业赋能。。。。。。。

< 返回学术动态

【商汤泰坦果真课】模子量化相识一下？？？？？？

2020-04-09

导读

随着深度学习的生长，，，，，神经网络被普遍应用于种种领域，，，，，模子性能的提高同时也引入了重大的参数目和盘算量。。。。。。。模子量化是一种将浮点盘算转成低比特定点盘算的手艺，，，，，可以有用的降低模子盘算强度、参数巨细和内存消耗，，，，，但往往带来重大的精度损失。。。。。。。尤其是在极低比特(<4bit)、二值网络(1bit)、甚至将梯度举行量化时，，，，，带来的精度挑战更大。。。。。。。

2020年4月9日商汤泰坦果真课第009期的线上直播课程，，，，，由商汤研究院--链接与编译团队的两位研究员分享了团队在模子量化方面的的一系列研究事情，，，，，其中包括CVPR 2020、ICCV 2019等多篇与北航刘祥龙先生团队相助的论文效果，，，，，快来一睹为快吧~

课程PPT及视频回放获取方法见文末提醒~

Part 1 量化综述

1 什么是模子量化？？？？？？为什么要举行模子量化？？？？？？

模子量化是由模子、量化两个词组成。。。。。。。我们要准确明确模子量化，，，，，要看这两个词划分是什么意思。。。。。。。

在盘算机视觉、深度学习的语境下，，，，，模子特指卷积神经网络，，，，，用于提取图像/视频视觉特征。。。。。。。

量化是指将信号的一连取值近似为有限多个离散值的历程。。。。。。。�？？？？？擅魅烦梢恢中畔⒀顾醯囊�。。。。。。。在盘算机系统上思量这个看法，，，，，一样平常用“低比特”来体现。。。。。。。也有人称量化为“定点化”，，，，，可是严酷来讲所体现的规模是缩小的。。。。。。。定点化特指scale为2的幂次的线性量化，，，，，是一种越发适用的量化要领。。。。。。。

卷积神经网络具有很好的精度，，，，，甚至在一些使命上好比人脸识别、图像分类，，，，，已经逾越了人类精度。。。。。。。但其弱点也较量显着，，，，，具有较大的参数目，，，，，盘算量，，，，，以及内存占用。。。。。。。而模子量化可以缓解现有卷积神经网络参数目大、盘算量大、内存占用多等问题，，，，，具有为神经网络压缩参数、提升速率、降低内存占用等“潜在”优势。。。。。。。为什么“潜在”是加引号的呢？？？？？？由于想同时抵达这三个特征并禁止易，，，，，在现实应用历程中保存诸多限制和条件条件。。。。。。。

另外，，，，，由于模子量化是一种近似算法要领，，，，，精度损失是一个严肃的问题，，，，，大部分的研究都在关注这一问题。。。。。。。作为一个在公司支持许多营业线的团队，，，，，我们会在关注精度的同时，，，，，注重安排最终的速率和资源占用情形。。。。。。。

2 压缩参数

模子量化在最初的界说里是为了压缩模子参数，，，，，好比韩松在ICLR2016上获得best paper的论文，，，，，首次提出了参数目化要领。。。。。。。其使用k-mean聚类，，，，，让相近的数值聚类到统一个聚类中心，，，，，复用统一个数值，，，，，从而抵达用更少的数值体现更多的数，，，，，这是量化操作的一种计划。。。。。。。反过来，，，，，从量化数变到原始数的历程，，，，，称之为反量化，，，，，反量化操作完之后，，，，，模子就可以凭证原来的方法举行正常的盘算。。。。。。。

我们以为绝大部分的模子量化算法都能压缩参数，，，，，因此压缩参数的适用性不保存问题。。。。。。。

3 提升速率

量化是否一定能加速盘算？？？？？？回覆是否定的，，，，，许大批化算法都无法带来实质性加速。。。。。。。

引入一个看法：理论盘算峰值。。。。。。。在高性能盘算领域，，，，，这看法一样平常被界说为：单位时钟周期内能完成的盘算个数乘上芯片频率。。。。。。。

什么样的量化要领可以带来潜在、可落地的速率提升呢？？？？？？我们总结需要知足两个条件：

1、量化数值的盘算在安排硬件上的峰值性能更高。。。。。。。

2、量化算法引入的特殊盘算（overhead）少。。。。。。。

要准确明确上述条件，，，，，需要有一定的高性能盘算基础知识，，，，，限于篇幅就不睁开讨论了。。。。。。。现直接给出如下结论：已知提速概率较大的量化要领主要有如下三类，，，，，

1、二值化，，，，，其可以用简朴的位运算来同时盘算大宗的数。。。。。。。比照从nvdia gpu到x86平台，，，，，1bit盘算划分有5到128倍的理论性能提升。。。。。。。且其只会引入一个特另外量化操作，，，，，该操作可以享受到SIMD（单指令大都据流）的加速收益。。。。。。。

2、线性量化，，，，，又可细分为非对称，，，，，对称和ristretto几种。。。。。。。在nvdia gpu，，，，，x86和arm平台上，，，，，均支持8bit的盘算，，，，，效率提升从1倍到16倍不等，，，，，其中tensor core甚至支持4bit盘算，，，，，这也是很是有潜力的偏向。。。。。。。由于线性量化引入的特殊量化/反量化盘算都是标准的向量操作，，，，，也可以使用SIMD举行加速，，，，，带来的特殊盘算耗时不大。。。。。。。

3、对数目化，，，，，一个较量特殊的量化要领。。。。。。。�？？？？？梢韵胂笠幌�，，，，，两个同底的幂指数举行相乘，，，，，那么等价于其指数相加，，，，，降低了盘算强度。。。。。。。同时加法也被转变为索引盘算。。。。。。。但没有看到有在三大平台上实现对数目化的加速库，，，，，可能着实现的加速效果不显着。。。。。。。只有一些专用芯片上使用了对数目化。。。。。。。

简朴看一下二值化和线性量化两种方法，，，，，划分是右上角的图和右下角的图。。。。。。。

总结一下，，，，，要使用量化手艺来提升模子运行速率，，，，，需要知足两个条件：

1、选择适合安排的量化计划。。。。。。。

2、在安排平台上使用经由深度优化的量化盘算库（须要的时间，，，，，可能需要撸起袖子自己上）。。。。。。。

首先包管你实现的低比特盘算效率凌驾原先浮点盘算，，，，，不然为何要肩负精度损失的危害而使用并不加速的量化模子呢。。。。。。。但低比特盘算效率凌驾浮点盘算着实并禁止易，，，，，由于各人在浮点的盘算库上已经做了很是多详尽的优化好比winograd，，，，，间接卷积等等。。。。。。。

为了最大限度包管适用性，，，，，后面的论文所有事情都是基于二值化、线性量化两种条件来做的，，，，，并且绝大部分事情都报告最终现实的加速效果。。。。。。。这也是链接与编译团队做研究的一个气概。。。。。。。

4 降低内存

模子量化尚有一个潜在的利益是降低运行时内存占用，，，，，这个特征无论是在移动端照旧云端都是具有现实意义的。。。。。。。若是降低内存占用，，，，，可以获得如下利益：

1、降低访存量，，，，，保存提升速率的可能。。。。。。。

2、在同样硬件情形下，，，，，同时处置惩罚更多视频或者视频路数。。。。。。。

3、训练更大的模子。。。。。。。

我们剖析下运行时内存都是被什么工具占用的，，，，，各人体贴的参数weight只占很少一部分，，，，，大部分内存占用来自激活值activation。。。。。。。若是你做低比特量化只关注卷积的话（许多论文着实也是只量化了卷积），，，，，那么是无法带来内存占用降低的。。。。。。。

怎样才华用量化降低内存占用，，，，，只有一个方法: 将尽可能多的layer的激活值都举行量化。。。。。。。在这个偏向上之前商汤的一位实习生李润东也有一个事情，，，，，做了除了卷积之外更多层的量化。。。。。。。可是这样做会带来更多的精度损失，，，，，这可能也是各人需要体贴的。。。。。。。

5 生产量化模子

生产一个量化模子的有以下几种要领，，，，，借鉴了ICCV2019上一篇data-free量化论文的界说。。。。。。。

L1：直接将一个浮点参数直接转化成量化数，，，，，一样平常会带来很大的精度损失，，，，，但使用上很是简朴。。。。。。。

L2：基于数据校准的计划，，，，，许多芯片都会提供这样的功效，，，，，好比tensorRT，，，，，高通，，，，，寒武纪等。。。。。。。它需要转模子的时间提供一些真实的盘算数据。。。。。。。

L3：基于训练finetune的计划，，，，，有许多论文都是使用这种要领，，，，，它的利益是可以带来更大的精度提升，，，，，弱点是需要修改训练代码，，，，，实验周期较量长。。。。。。。

上图形貌了一种适用的pipeline流程，，，，，一样平常会优先使用不举行finetune的offline要领，，，，，也就是离线计划。。。。。。。当离线计划精度损失过于严重，，，，，我们才会举行基于finetune的要领，，，，，来做进一步的抢救。。。。。。。

6 量化模子的落地

最后聊聊阻碍模子量化算法落地的几个问题，，，，，焦点虽然是精度问题。。。。。。。我们发明虽然学术界各人很早就最先做量化，，，，，但现在算法还无法大规模落地。。。。。。。主要保存几个gap：

1、可落地的线性量化计划无法很好的描绘一些漫衍，，，，，好比高斯漫衍

2、比特数越低，，，，，精度损失就越大，，，，，适用性就越差

3、使命越难，，，，，精度损失越大，，，，，好比识别使命，，，，，就比分类使命要难很是多

4、小模子会比大模子更难量化

5、某些特定结构，，，，，如depthwise，，，，，对量化精度十分不友好

6、常见的对安排友好的要领好比merge BN，，，，，全量化，，，，，都会给精度带来更大的挑战

除了精度外，，，，，软硬件支持欠好也是一个阻碍：差别的硬件支持的低比特指令是纷歧样的，，，，，同样训练获得的低比特模子，，，，，无法直接安排在所有硬件上。。。。。。。除了硬件之外，，，，，差别软件库实现的量化计划和细节也纷歧样，，，，，量化细节里包括量化位置、是否支持perchannel、是否混淆精度等等。。。。。。。纵然硬件支持了量化，，，，，但你会发明不是所有硬件可以在低比特上提供更好的速率提升，，，，，造成这个状态的主要缘故原由有多个，，，，，一方面是指令集峰值提升可能自己就并未几，，，，，而要引入较多的特殊盘算，，，，，另一方面也取决于软件工程师优化指令的水平，，，，，同时由于网络结构无邪多样，，，，，纷歧定能在差别网络结构上抵达同样好的加速比，，，，，需要优化足够多的的corner case才可以解决。。。。。。。

信托各人对模子量化的看法和落地难点有了一个系统性的熟悉。。。。。。。我的部分就到这里竣事了，，，，，下面是各人最期待的论文解读时间。。。。。。。

Part 2 论文解读

1 低比特量化：Differentiable Soft Quantization: Bridging Full-Precision and Low-Bit Neural Networks（ICCV 2019）

由于量化函数自己是离散不可导的，，，，，导致其无法像标准神经网络一样使用反向撒播盘算梯度，，，，，一个常用的做法是使用梯度直通预计器（STE），，，，，即在反向历程中忽略量化这一办法爆发的影响，，，，，而这也就自然的带来了梯度禁绝确的问题。。。。。。。权重经由STE拿到的梯度跟它应该拿到的梯度是不匹配的。。。。。。。ICLR 2020年有一篇论文通过实验详细的剖析了这一征象，，，，，发明随着比特数的降低，，，，，不匹配的征象越发显着。。。。。。。

这让低比特量化网络很难高效训练，，，，，针对这个问题，，，，，该文章提出了一个可微分的软量化函数DSQ，，，，，引入了可求导的量化函数，，，，，缓解了不可求导带来的梯度不匹配问题。。。。。。。同时，，，，，这个函数随着训练的举行可以逐步趋近尺怀抱化，，，，，因此可以在安排时直接使用高效的线性低比特量化函数举行推理，，，，，别的，，，，，由于这个函数是可以求导的，，，，，因此截断值也能够直接被优化，，，，，在训练历程中平衡截断误差和取整误差间的关系。。。。。。。

通过可视化剖析，，，，，我们发明经由DSQ函数后，，，，，参数的漫衍越发靠近于量化后的漫衍，，，，，减小了浮点参数和量化参数的鸿沟。。。。。。。为了验证这套要领的效率，，，，，我们基于ARM NEON中的SADDW和MLA指令实现了高效的低比特卷积，，，，，并在树莓派上以ResNet-18为基础举行测试，，，，，相比腾讯开源的高性能推理库NCNN有1.6倍左右的提速。。。。。。。

论文地点：https://arxiv.org/abs/1908.05033

2 模子二值化：IR-Net: Forward and Backward Information Retention for Highly Accurate Binary Neural Networks（CVPR 2020）

模子二值化在模子的激活值和参数上只有两个值（0和1）体现，，，，，可以预见的是这样量化一定会带来较大的精度和信息损失。。。。。。。该文章引入了信息熵，，，，，以量化参数和浮点参数的信息熵作为模子的评判标准。。。。。。。

除了前向信息损失，，，，，二值化模子在反向历程中面临的挑战更大，，，，，标准的恒等映射梯度近似会导致较大的梯度误差，，，，，而包括截断建模的梯度近似会使得大宗被截断的数值不可获得更新，，，，，损失了更新能力。。。。。。。该文章提出了两阶段近似梯度预计器，，，，，让模子优化在前期坚持较量高的更新能力，，，，，后期梯度的误差更低。。。。。。。

同样在树莓派上举行了速率验证，，，，，借助京东开源的daBNN推理库，，，，，测试了IR-Net的性能，，，，，相比daBNN中的全精度模子，，，，，约莫有5.6倍左右的速率提升。。。。。。。

论文地点：https://arxiv.org/abs/1909.10788

项目地点：https://github.com/htqin/IR-Net

3 8bit训练加速：Towards Unified INT8 Training for Convolutional Neural Network（CVPR 2020）

除了使用量化手艺加速前向推理历程，，，，，是否能够进一步加速包括反向撒播在内的梯度盘算历程呢？？？？？？剖析发明反向撒播在训练历程中占用了一半的时间，，，，，若是能镌汰这个时间，，，，，那么就能大大增添训练效率。。。。。。。一个直接的想法就是量化梯度，，，，，但这样做会导致训练不收敛。。。。。。。经由统计，，，，，我们发明梯度的漫衍与激活值和参数值有很大差别，，，，，大宗参数泛起在0周围，，，，，同时保存较大的极端值，，，，，若是对其举行量化会带来很是大的量化误差。。。。。。。

发明了梯度的特征后，，，，，我们从理论角度举行了剖析，，，，，借鉴了优化理论中的后悔值剖析。。。。。。。推导出了引入梯怀抱化之后的收敛性上界：

该上界包括三项，，，，，其中第一项随更新迭代的举行会趋向于零，，，，，因此主要由后两项决议，，，，，划分对应量化误差的巨细和学习率。。。。。。。只有确保该上界尽可能小，，，，，收敛性才华获得包管。。。。。。。

因此针对第二项和第三项，，，，，通过使量化梯度与现实梯度的cosine距离越发靠近，，，，，降低量化误差，，，，，然后凭证误差的巨细减小学习率，，，，，使得尽可能在越发准确的偏向上举行更新，，，，，并且不会在过失的偏向上更新过多，，，，，可以包管在收敛界线内更新，，，，，确保正常收敛。。。。。。。论文在分类和目的检测使命上都举行了精度验证，，，，，损失在1%左右。。。。。。。

借助高性能团队提供的起源优化实现，，，，，该要领可以在NVIDIA GTX 1080TI上带来22%的加速。。。。。。。

论文地点：https://arxiv.org/abs/1912.12607

4 低比特人脸识别：Rotation Consistent Margin Loss for Efficient Low-bit Face Recognition（CVPR 2020）

由于开集问题里测试集中保存训练集不保存的种别，，，，，因此识别使命比分类使命更难，，，，，评价指标也越发严酷。。。。。。。而引入量化之后，，，，，也就面临着更大的挑战。。。。。。。为了深入剖析人脸识别受量化的影响，，，，，论文首先基于人脸特征使用夹角怀抱作为相似度权衡的共识界说了量化误差，，，，，并界说量化后的类中心为属于该类所有样本特征举行量化后的均值。。。。。。。对量化误差举行剖析，，，，，发明引入量化后每个类的中心都有所偏移，，，，，但类之间的夹角坚持住了，，，，，类内的距离坚持的较差。。。。。。。�？？？？？梢悦魅烦芍种衷诹炕蟊⒘艘桓稣宓男�，，，，，每个类的紧凑性有所下降。。。。。。。

因此文章将量化误差剖析成类误差和个体误差。。。。。。。文章提出了旋转一致损失函数，，，，，使得样本具有与类中心有同样的偏移，，，，，抵消量化带来的影响，，，，，让特征越发保序。。。。。。。

论文在差别数据集上举行了实验，，，，，在简朴的数据集上3/4bit基本能够坚持精度，，，，，在更有挑战的数据集上相比基线要领也能够有1-2%的精度提升。。。。。。。

5 量化友好网络结构：DMS: Differentiable diMension Search for Binary Neural Networks（ICLR 2020 Workshop）

对量化和网络结构的探索，，，，，许多论文都会对网络结构举行微调：增添通道数目，，，，，修改跨层毗连等。。。。。。。关于二值化模子来说这些改动能带来比全精度模子更大的收益。。。。。。。

这启发了我们，，，，，是否保存一些模子结构，，，，，他们关于量化越发友好呢？？？？？？本文从卷积核output channel的角度举行了探索，，，，，将量化配景下的channel探索转换为网络结构搜索（NAS）问题。。。。。。。Channel的搜索空间一样平常较大，，，，，直接使用已有的NAS碰面临很是高的搜索重漂后，，，，，为相识决这个问题，，，，，本文提出了搜索空间聚类要领。。。。。。。首先将channel的变换参数r建模为听从Logistic漫衍的随机变量，，，，，广义的搜索空间可以以为是从该漫衍中举行采样，，，，，我们将采样限制为三个点：()，，，，，由于Logistic漫衍的漫衍函数可以举行求导，，，，，和能够举行优化，，，，，同时我们将举行衰减，，，，，即可最终收敛到上，，，，，作为最优的channel放缩系数。。。。。。。

对搜索空间举行建模，，，，，对网络结构举行探索。。。。。。。

实验批注，，，，，搜索获得的结构具有较大的精度潜力，，，，，使用ResNet-18拓扑，，，，，通过寻找最优的channel设置，，，，，在参数目比标准BNN少的情形下，，，，，可以实现7%左右的精度提升。。。。。。。

论文地点：

https://drive.google.com/file/d/1DgD1mIBv7MHwM27Vjvb-g8IwlUOv6UJF/view?usp=sharing

项目地点：

https://github.com/yhhhli/DMS_for_BNN

Part 3 Q&A

Q：主流训练框架是否支持finetune要领的INT8量化？？？？？？

A：finetune 要领的INT8量化在现在的tensorflow里是支持得较量好的，，，，，可以看到google的量化白皮书中就先容了finetune。。。。。。。Pytorch正在补齐这方面的功效，，，，，在1.3版本中加入了finetune 的量化功效，，，，，但还在实验阶段。。。。。。。以是现在的PyTorch框架做的较量一样平常，，，，，但公司内部会提供完善的finetune计划和开源算法。。。。。。。

Q：差别量化使命难度有差别的缘故原由是什么？？？？？？哪些使命作为INT8量化损失会较量大？？？？？？

A：例如分类使命，，，，，只要包管最终的展望概率的相对巨细，，，，，是坚持关系即可，，，，，但回归使命，，，，，好比检测使命偏一点都会影响到检测出框的准确性，，，，，以是会比分类使命的难度更高。。。。。。。适才提到的人脸识别的使命是出feature的，，，，，feature的偏向以及自己权衡的难度使其比分类使命越发难题，，，，，以及一些low level的使命由于输出的各个像素点都要顾及到，，，，，以是也会比分类使命更难题。。。。。。。另外从漫衍方面，，，，，量化需要做漫衍的思量，，，，，若是一些使命对漫衍不友好，，，，，量化的安排也会越发难题。。。。。。。

Q：在对网络结构友好型的量化历程中关于channel分派上有什么履历？？？？？？

A：可以看到哈哈(haha)体育论文增补质料中展示了最终的channel数，，，，，总结来看若是层中自己盘算量较小，，，，，那么它的channel就需要更大一些，，，，，差别网络结构的纪律也有所差别。。。。。。。

Q：INT8 Training是重新最先训练的时间就接纳8bit定点吗？？？？？？照旧说先全FP32精度举行训练一段时间，，，，，再举行量化？？？？？？是仅对卷积层举行了8比特定点量化吗？？？？？？

A：重新最先训练的时间就接纳8bit定点。。。。。。。第二种要体会更稳固一些，，，，，但无法抵达较好的加速效果。。。。。。。目今哈哈(haha)体育计划里只对卷积层举行量化，，，，，并且没有体贴全毗连层和第一层的卷积，，，，，这是一个较量标准的setting，，，，，以是现在抵达的加速效果还没有很好，，，，，怎样做得更快是需要其他层都需要量化的。。。。。。。

Q：当模子在真正安排，，，，，需要模子压缩的时间，，，，，量化、剪枝、知识蒸馏等压缩要领一样平常会使用哪些呢？？？？？？

A：量化是一个大部分硬件平台都会支持的，，，，，因此较量常用；；；；；；知识蒸馏有利于获得小模子，，，，，还可以进一步提升量化模子的精度，，，，，以是这个技巧也会使用，，，，，尤其是在有已经训好较量强的大模子的基础上会很是有用。。。。。。。剪枝用的会相对较少，，，，，由于可以被网络结构搜索笼罩。。。。。。。

「商汤泰坦果真课」公众号后台回复“量化”，，，，，即可获取响应的课程资料哦！

推荐阅读

ICCV 2019落幕，，，，，商汤诠释中国原创的“高度”、“厚度”和“广度”

11月2日，，，，，为期七天的盘算机视觉顶会ICCV 2019落幕。。。。。。。商汤科技以57篇论文（11篇Oral），，，，，13项冠军的效果创立新“高度”(详见文章《商汤科技57篇论文入选ICCV 2019，，，，，13项竞赛夺冠》)，，，，，让天下见证商汤研究手艺积累的“厚度”，，，，，在大会现场也能亲自感受商汤AI+行业应用落地的“广度”

2019-11-03
商汤科技、阿里巴巴及香港科技园联手建设的HKAI Lab正式营运啦！

克日，，，，，由阿里巴巴集团、商汤科技及香港科技园公司携手建设的香港人工智能及数据实验室（HKAI Lab）在香港科学园正式开幕。。。。。。。商汤科技首创人、香港中文大学教授汤晓鸥、阿里巴巴集团首席手艺官张建锋和香港科技园公司行政总裁黄克强划分揭晓了讲话，，，，，祝愿HKAI Lab能够助力香港首创人工智能企业生态生长。。。。。。。

2018-10-18

您尚未完善信息

完善信息后，，，，，即可下载资料

完善信息跳过，，，，，继续浏览

您尚未登录

您还未登录，，，，，登录方可继续

登录跳过，，，，，继续浏览

请选择您以为需要刷新的地方：

导航欠好用，，，，，不利便找到感兴趣的内容
产品先容信息不敷周全
产品先容信息禁止易懂
页面翻开速率烦懑，，，，，页面浏览不流通/有卡顿
页面不敷雅观
售后效劳欠好找，，，，，体验欠好

跳过下一个

您是否能够抵达本次网站的会见目的？？？？？？

是
否
仍在举行中

下一个

您对商汤官网的知足度怎样？？？？？？

1
2
3
4
5
6
7
8
9
10

很是不知足很是知足

提交

已收到您对商汤官网的评价和建议！

谢谢您的耐心反响~

关闭

产品试用

填写此简朴表格，，，，，我们将尽快联系您！

把您的需求发给我们相识所有产品

商务相助

400 900 5986

周一至周五 9:00-12:00，，，，，13:00-18:00

business@sensetime.com

相助同伴招募

成为相助同伴

您还未登录，，，，，登录方可继续

登录跳过，，，，，继续浏览

您尚未完善信息

完善信息后，，，，，即可下载资料

完善信息跳过，，，，，继续浏览

商务相助

400 900 5986
( 周一至周五 9:00-12:00, 13:00-18:00 )
business@sensetime.com
媒体相同: pr@sensetime.com
投资者关系联络: ir@sensetime.com

社交媒体

微信公众号

【网站地图】【sitemap】