電腦崛起：探索未來(lái)辦公的新境界
隨著技術(shù)的迅速發(fā)展，云電腦這一概念已從幕后走向前臺(tái)，成為推動(dòng)現(xiàn)代工作方式變革的關(guān)鍵力量。據(jù)最新市場(chǎng)分析顯示，云電腦領(lǐng)域正在經(jīng)歷前所未有的增長(zhǎng)，預(yù)計(jì)在接下來(lái)幾年將進(jìn)入高速發(fā)展期。
從一開(kāi)始的概念探索到如今市場(chǎng)規(guī)模的不斷擴(kuò)大，云電腦正逐漸改變?nèi)藗儗?duì)于辦公和計(jì)算資源管理的傳統(tǒng)認(rèn)知。桌面即服務(wù)（DaaS）等模式允許用戶(hù)無(wú)需依賴(lài)固定硬件，在任何地點(diǎn)通過(guò)互聯(lián)網(wǎng)接入強(qiáng)大的云端處理能力。這種靈活性和可擴(kuò)展性為各行各業(yè)帶來(lái)了全新機(jī)遇。
越來(lái)越多企業(yè)開(kāi)始實(shí)施遠(yuǎn)程辦公策略，去哪兒網(wǎng)和耐克等知名企業(yè)就是其中的佼佼者。他們通過(guò)采納基于云計(jì)算的工作模式，不僅提升了效率，還在疫情對(duì)傳統(tǒng)工作方式構(gòu)成挑戰(zhàn)時(shí)保持了穩(wěn)健運(yùn)營(yíng)。
數(shù)據(jù)顯示，中國(guó)市場(chǎng)對(duì)于云電腦服務(wù)的需求正在加速上升。根據(jù)權(quán)威機(jī)構(gòu)的報(bào)告，2023至2025年間中國(guó)云電腦市場(chǎng)有望實(shí)現(xiàn)跨越式增長(zhǎng)。而在全球范圍內(nèi)，隨著更多企業(yè)轉(zhuǎn)向數(shù)字化運(yùn)營(yíng)模式，該領(lǐng)域同樣呈現(xiàn)出蓬勃發(fā)展之勢(shì)。
專(zhuān)家指出，云電腦之所以能夠迅速普及并受到青睞，在于其明顯優(yōu)勢(shì)：節(jié)省成本、易于維護(hù)、高度安全和靈活性強(qiáng)等特點(diǎn)正符合當(dāng)下企業(yè)對(duì)效率和敏捷性日益增長(zhǎng)的需求。
隨著移動(dòng)技術(shù)和5G網(wǎng)絡(luò)等基礎(chǔ)設(shè)施建設(shè)步伐加快，未來(lái)辦公室可能不再局限于四面墻壁之內(nèi)。人們可以期待，在不久的將來(lái)，無(wú)論身處何地都能輕松接入強(qiáng)大計(jì)算資源，并進(jìn)行協(xié)同工作。
事實(shí)上，行業(yè)巨頭們已經(jīng)在布局未來(lái)市場(chǎng)。他們通過(guò)投資研發(fā)、合作伙伴關(guān)系建立以及服務(wù)創(chuàng)新等途徑不斷推動(dòng)技術(shù)進(jìn)步與應(yīng)用普及。
從目前情況看來(lái)，云電腦無(wú)疑是重塑未來(lái)工作環(huán)境與生態(tài)系統(tǒng)的關(guān)鍵要素。其深遠(yuǎn)影響將不僅限于商務(wù)領(lǐng)域，在教育、醫(yī)療甚至娛樂(lè)行業(yè)也會(huì)產(chǎn)生革命性變革。
總體而言，在數(shù)字化轉(zhuǎn)型浪潮中乘風(fēng)破浪的云電腦技術(shù)預(yù)示著一個(gè)更加自由、高效、協(xié)同的工作世界即將到來(lái)。對(duì)此現(xiàn)象保持跟進(jìn)，并理解其背后推動(dòng)力量與可能帶來(lái)的變化對(duì)每一位行業(yè)觀察者而言都至關(guān)重要。
做計(jì)算機(jī)視覺(jué)？深度學(xué)習(xí)是最近的發(fā)展方向。大規(guī)模數(shù)據(jù)集加上深度卷積神經(jīng)網(wǎng)絡(luò)（CNNs）的表征能力使得超精確和穩(wěn)健的模型成為可能。現(xiàn)在只剩下一個(gè)挑戰(zhàn)：如何設(shè)計(jì)你的模型。
由于計(jì)算機(jī)視覺(jué)領(lǐng)域廣泛而復(fù)雜，因此解決方案并不總是很清晰。計(jì)算機(jī)視覺(jué)中的許多標(biāo)準(zhǔn)任務(wù)都需要特別考慮：分類(lèi)，檢測(cè)，分割，姿態(tài)估計(jì)，增強(qiáng)和恢復(fù)，動(dòng)作識(shí)別。盡管用于每個(gè)任務(wù)的最先進(jìn)的網(wǎng)絡(luò)表現(xiàn)出共同的模式，但他們都需要自己獨(dú)特的設(shè)計(jì)風(fēng)格。
那么我們?nèi)绾螢樗羞@些不同的任務(wù)建立模型呢？
讓我來(lái)告訴你如何用深度學(xué)習(xí)在計(jì)算機(jī)視覺(jué)中做所有事情！
Mask-RCNN 進(jìn)行目標(biāo)檢測(cè)和實(shí)例分割
分類(lèi)
所有任務(wù)中最為人所知的！圖像分類(lèi)網(wǎng)絡(luò)以固定尺寸的輸入開(kāi)始。輸入圖像可以具有任意數(shù)量的通道，但對(duì)于 RGB 圖像通常為 3。在設(shè)計(jì)網(wǎng)絡(luò)時(shí)，分辨率在技術(shù)上可以是任何尺寸，只要它足夠大以支持你將在整個(gè)網(wǎng)絡(luò)中執(zhí)行的下采樣數(shù)量。例如，如果您在網(wǎng)絡(luò)中進(jìn)行 4 次下采樣，那么您的輸入尺寸需要至少為 42=16 x 16 像素。
當(dāng)你進(jìn)入網(wǎng)絡(luò)更深層時(shí)，空間分辨率將會(huì)降低，就像我們盡力擠壓所有信息并降低到一維向量表示。為了確保網(wǎng)絡(luò)始終具有繼承其提取的所有信息的能力，我們根據(jù)深度按比例增加特征圖的數(shù)量以適應(yīng)空間分辨率的降低。也就是說(shuō)，我們?cè)谙虏蓸舆^(guò)程中丟失了空間信息，為了適應(yīng)損失，我們擴(kuò)展了我們的特征圖以增加我們的語(yǔ)義信息。
在你選擇了一定數(shù)量的下采樣后，特征圖會(huì)被矢量化并送入一系列全連接層。最后一層的輸出與數(shù)據(jù)集中的類(lèi)一樣多。
目標(biāo)檢測(cè)
目標(biāo)檢測(cè)器有兩種形式：?jiǎn)坞A段和兩階段。它們兩者都以「錨框」開(kāi)始；這些是默認(rèn)的邊界框。我們的檢測(cè)器將預(yù)測(cè)這些方框與邊界框真值之間的差異，而不是直接預(yù)測(cè)方框。
在兩階段檢測(cè)器中，我們自然有兩個(gè)網(wǎng)絡(luò)：一個(gè)框提議網(wǎng)絡(luò)和一個(gè)分類(lèi)網(wǎng)絡(luò)?？蛱嶙h網(wǎng)絡(luò)得到了邊界框的坐標(biāo)，它認(rèn)為目標(biāo)在這里的可能性很大；再次提醒，這些坐標(biāo)都是相對(duì)于錨框的。然后，分類(lèi)網(wǎng)絡(luò)獲取每個(gè)邊界框并對(duì)其中的潛在物體進(jìn)行分類(lèi)。
在單階段檢測(cè)器中，提議和分類(lèi)器網(wǎng)絡(luò)被融合到一個(gè)單獨(dú)的階段中。網(wǎng)絡(luò)直接預(yù)測(cè)邊界框坐標(biāo)和在該框內(nèi)物體的類(lèi)別。因?yàn)閮蓚€(gè)階段融合在一起，所以單階段檢測(cè)器往往比兩階段更快。但是由于兩個(gè)任務(wù)的分離，兩階段檢測(cè)器具有更高的精度。
Faster-RCNN 兩階段目標(biāo)檢測(cè)架構(gòu)
SSD 一階段目標(biāo)檢測(cè)架構(gòu)
分割
分割是計(jì)算機(jī)視覺(jué)中更獨(dú)特的任務(wù)之一，因?yàn)榫W(wǎng)絡(luò)需要學(xué)習(xí)低級(jí)和高級(jí)信息。低級(jí)信息通過(guò)像素精確地分割圖像中的每個(gè)區(qū)域和物體，而高級(jí)信息用于直接對(duì)這些像素進(jìn)行分類(lèi)。這就需要將網(wǎng)絡(luò)設(shè)計(jì)成結(jié)合低級(jí)信息和高級(jí)信息的結(jié)構(gòu)，其中低級(jí)空間信息來(lái)自于前面層且是高分辨率的，高級(jí)語(yǔ)義信息來(lái)自于較深層且是低分辨率的。
正如我們?cè)谙旅婵吹降模覀兪紫仍跇?biāo)準(zhǔn)分類(lèi)網(wǎng)絡(luò)上運(yùn)行我們的圖像。然后，我們從網(wǎng)絡(luò)的每個(gè)階段提取特征，從而使用從低到高的級(jí)別內(nèi)的信息。每個(gè)級(jí)別的信息都是獨(dú)立處理的，然后依次將它們組合在一起。在組合信息時(shí)，我們對(duì)特征圖進(jìn)行上采樣以最終獲得完整的圖像分辨率。
要了解更多有關(guān)如何用深度學(xué)習(xí)進(jìn)行分割的詳細(xì)信息，請(qǐng)查看此文章。
GCN 分割架構(gòu)
姿態(tài)估計(jì)
姿態(tài)估計(jì)模型需要完成兩個(gè)任務(wù)：（1）檢測(cè)每個(gè)身體部位圖像中的關(guān)鍵點(diǎn)（2）找出如何正確連接這些關(guān)鍵點(diǎn)的方式。這分為三個(gè)階段：
1、使用標(biāo)準(zhǔn)分類(lèi)網(wǎng)絡(luò)從圖像中提取特征
2、鑒于這些特點(diǎn)，訓(xùn)練一個(gè)子網(wǎng)絡(luò)來(lái)預(yù)測(cè)一組 2D 熱力圖。每張熱力圖都與一個(gè)特定的關(guān)鍵點(diǎn)相關(guān)聯(lián)，并且包含每個(gè)圖像像素是否可能存在關(guān)鍵點(diǎn)的置信值。
3、再次給出分類(lèi)網(wǎng)絡(luò)的特征，我們訓(xùn)練一個(gè)子網(wǎng)絡(luò)來(lái)預(yù)測(cè)一組 2D 向量場(chǎng)，其中每個(gè)向量場(chǎng)編碼關(guān)鍵點(diǎn)之間的關(guān)聯(lián)度。具有高度關(guān)聯(lián)性的關(guān)鍵點(diǎn)就稱(chēng)其為連接的。
以這種方式訓(xùn)練模型與子網(wǎng)絡(luò)將共同優(yōu)化檢測(cè)關(guān)鍵點(diǎn)并將它們連接在一起。
開(kāi)放式姿態(tài)估計(jì)體系結(jié)構(gòu)
增強(qiáng)和恢復(fù)
增強(qiáng)和恢復(fù)網(wǎng)絡(luò)是它們自己的獨(dú)特之處。因?yàn)槲覀冋嬲P(guān)心的是高像素/空間精度，所以我們不會(huì)對(duì)這些進(jìn)行任何降采樣。降采樣真的會(huì)殺死這些信息，因?yàn)樗鼤?huì)減少我們空間精度的許多像素。相反，所有的處理都是在完整的圖像分辨率下完成的。
我們首先將要增強(qiáng)/恢復(fù)的圖像以全解析度傳遞到我們的網(wǎng)絡(luò)，而不進(jìn)行任何修正。網(wǎng)絡(luò)僅僅由一堆卷積和激活函數(shù)組成。這些塊通常是最初為圖像分類(lèi)而開(kāi)發(fā)的那些塊的靈感，有時(shí)是直接副本，例如殘余塊、密集塊、擠壓激勵(lì)塊等。由于我們希望直接預(yù)測(cè)圖像像素，不需要任何的概率或分?jǐn)?shù)，所以在最后一層上沒(méi)有激活功能，甚至沒(méi)有 sigmoid 或 softmax。。
這就是所有這些類(lèi)型的網(wǎng)絡(luò)！在圖像的全解析度下進(jìn)行大量的處理，以獲得高空間精度，這些使用已經(jīng)證明與其他任務(wù)相同的卷積。
EDSR 超分辨率架構(gòu)
行為識(shí)別
動(dòng)作識(shí)別是少數(shù)幾個(gè)需要視頻數(shù)據(jù)才能正常工作的應(yīng)用之一。要對(duì)一個(gè)動(dòng)作進(jìn)行分類(lèi)，我們需要知道隨著時(shí)間的推移場(chǎng)景發(fā)生的變化；這導(dǎo)致我們需要視頻。所以我們的網(wǎng)絡(luò)必須訓(xùn)練以學(xué)習(xí)空間和時(shí)間信息。也就是空間和時(shí)間的變化。最適合的網(wǎng)絡(luò)是 3D-CNN。
3D- CNN，顧名思義，就是一個(gè)使用 3D 卷積的卷積網(wǎng)絡(luò)！它們不同于常規(guī) CNN 的地方在于其卷積應(yīng)用于三維空間：寬度、高度和時(shí)間。因此，每個(gè)輸出像素都是基于它周?chē)南袼睾拖嗤恢蒙系那皫秃髱械南袼剡M(jìn)行計(jì)算預(yù)測(cè)的！
直接進(jìn)行圖像的批量傳遞
視頻幀可以通過(guò)以下幾種方式傳遞:
(1) 直接以大批量，如圖 1 所示。由于我們正在傳遞一組序列幀，因此空間和時(shí)間信息都是可用的
單幀+光流 (左)。視頻+光流 (右)
(2) 我們還可以在一個(gè)流 (數(shù)據(jù)的空間信息) 中傳遞單個(gè)圖像幀，并從視頻 (數(shù)據(jù)的時(shí)間信息) 中傳遞其相應(yīng)的光流表示。我們將使用常規(guī)的 2D CNNs 從兩者中提取特征，然后將它們組合起來(lái)傳遞給我們的 3D CNN，它將組合這兩種類(lèi)型的信息
(3) 將我們的幀序列傳遞給一個(gè) 3D CNN，將視頻的光流表示傳遞給另一個(gè) 3D CNN。這兩個(gè)數(shù)據(jù)流都有可用的空間和時(shí)間信息。這可能是最慢的選項(xiàng)，但同時(shí)也可能是最準(zhǔn)確的選項(xiàng)，因?yàn)槲覀冋趯?duì)視頻的兩個(gè)不同表示進(jìn)行特定的處理，這兩個(gè)表示都包含所有信息。
所有這些網(wǎng)絡(luò)都輸出視頻的動(dòng)作分類(lèi)。
有個(gè)非常好的朋友，一直做印刷廠，之前的電腦網(wǎng)絡(luò)監(jiān)控都是找我給做。硬件自然是不掙錢(qián)，一般都是建議直接去找東哥買(mǎi)。說(shuō)一句題外話，東哥真給力呀，自從被茶妹妹收服之后，服務(wù)那是相當(dāng)?shù)轿唬熳匀徊挥谜f(shuō)，企業(yè)認(rèn)證后直接開(kāi)增值稅發(fā)票。
好吧，言歸正傳。最近業(yè)務(wù)發(fā)展太好了，設(shè)計(jì)的姑娘們明顯不夠用了。姑娘來(lái)了，必須有電腦呀！組裝電腦的任務(wù)自然又交給了我。但是，有個(gè)大前提，不交智商稅，能省的地方一定別浪費(fèi)。
講真的，關(guān)于這個(gè)問(wèn)題。我還真用過(guò)心，之前配的電腦，都是用的當(dāng)時(shí)中高端的顯卡，中高端的CPU。一套下來(lái)，每臺(tái)小一萬(wàn)，妥妥的。不過(guò)有一次處理其他問(wèn)題的時(shí)候，我在任務(wù)管理器里看到，GPU的資源幾乎上都沒(méi)有用。好奇的我讓設(shè)計(jì)人員把設(shè)計(jì)軟件全速開(kāi)起來(lái)，觀察下顯卡到底有多少作用。于是，我得出了一個(gè)不太確切的結(jié)論：顯卡幾乎上設(shè)計(jì)作圖軟件沒(méi)有什么作用。
正好趁著這次機(jī)會(huì)，不妨就不用獨(dú)立顯卡，至少省下來(lái)3000多米。權(quán)當(dāng)做實(shí)驗(yàn)了，大不了等礦難再發(fā)酵一下，顯卡還得降！炒幣的各位朋友請(qǐng)輕點(diǎn)噴，我雖然不要臉，但是也一把年紀(jì)了。
配置如圖
不可否認(rèn)的就是東哥真快，晚上下單，第二天就齊活了。安裝到位，一次點(diǎn)亮，必要的軟件都裝好之后，開(kāi)始驗(yàn)證我的性?xún)r(jià)比理論是否成立。到今天為止，差不多一個(gè)月了，目前實(shí)際使用的效果反饋看，應(yīng)該是毫無(wú)壓力。
至此，我暫且得出結(jié)論，一般印刷廠平面設(shè)計(jì)的電腦，主要還是吃的CPU計(jì)算，集成顯卡完全可以勝任。
說(shuō)到最后，又忍不住想吐槽，這老板呀，越是有錢(qián)越是扣。如果客官認(rèn)可的話，麻煩給我點(diǎn)個(gè)贊，不認(rèn)可的話，請(qǐng)給我留言！我還真不確定是我認(rèn)識(shí)的老板太少了，還是我認(rèn)識(shí)的老板還不叫有錢(qián)。