Perseus-BERT——业内性能极致优化的BERT训练方案
【作者】 笋江（林立翔） 驭策（龚志刚） 蜚廉（王志明） 昀龙（游亮）
一，背景——横空出世的BERT全面超越人类
2018年在自然语言处理（NLP）领域最具爆炸性的一朵“蘑菇云”莫过于Google Research提出的BERT（Bidirectional Encoder
像Google一样构建机器学习系统2 - 开发你的机器学习工作流
按照上篇文章搭建了一套Kubeflow Pipelines之后，我们一起小试牛刀，用一个真实的案例，学习如何开发一套基于Kubeflow Pipelines的机器学习工作流。
准备工作
机器学习工作流是一个任务驱动的流程，同时也是数据驱动的流程，这里涉及到数据的导入和准备，模型训练Checkpoint的导出评估，到最终模型的导出。
阿里云超算：高性能容器方案实战之Singularity
除了自动化整合IaaS层硬件资源为用户提供云上HPC集群外，E-HPC还致力于巩固云上HPC服务的高可用性，先后推出了“集谛多维性能监控”、“低成本断点续算”等新特性，帮助用户更好、更省地使用云上HPC服务。本文主要介绍阿里云超算推出的弹性高性能容器方案以及在分子动力学领域和AI领域的实战案例。
DenseNet的应用--语义分割--(DenseASPP )
转载自：https://blog.csdn.net/u011974639
DenseASPP
DenseASPP for Semantic Segmentation in Street Scenes
原文地址：DenseASPP
收录：CVPR2018(IEEE Conference on Computer Vision and Pattern Recognition)
代码:
PyTorch
简介：
将DeepLab系列中的ASPP和DenseNet中的密集连接相结合，构成了DenseASPP。
阿里巴巴集团副总裁贾扬清：开源大数据生态前瞻
本文整理自开源大数据专场中阿里巴巴集团副总裁，阿里巴巴计算平台事业部总裁贾扬清先生的精彩演讲，将为大家讲述开源大数据与人工智能生态前瞻，分享阿里云对开源的态度，以及对大数据和人工智能的未来规划。
使用TensorFlow提供的slim模型来训练数据模型供iOS使用
使用slim模型来训练数据供移动端使用
1、 数据可以是slim提供的数据集或者是自己采集的图片
1.1、下载slim提供的数据集flowers
1.1.1、设置下载目录命令：
DATA_DIR=/Users/javalong/Desktop/Test/output/flowers
1.
E-MapReduce 4.0产品新特性
E-MapReduce是运行在阿里云平台上的一大数据处理的系统解决方案。在2019年10月，阿里巴巴将发布EMR4.0版本。本篇介绍EMR4.0的新特性，包括在EMR基础能力，技术栈，生态集成和数据迁移等方面的升级，EMR4.0为用户提供更高的计算性能和更低的产品价格，将技术的红利让给用户。
