导读：本期为 AI 简报 20210402 期，将为您带来 8 条相关新闻，明日寒食节~
记得有一期有小伙伴留言说需要手势识别相关,本期它来啦~
本文一共 2200 字，通篇阅读结束需要 5~7 分钟
1. 保姆级教程 | TensorFlow-YOLOv3 从本地训练到服务器部署全过程 | 我爱计算机视觉
项目链接：
https://github.com/Byronnar/tensorflow-serving-yolov3
本文为 52CV 粉丝投稿，分享对已开源的 tensorflow-yolov3 版本进行许多细节上算法改进，步骤详细，非常适合新手入门。
本项目主要对原 tensorflow-yolov3 版本做了许多细节上的改进,
增加了TensorFlow-Serving 工程化部署, 训练了多个数据集，包括 Visdrone2019, 安全帽等数据集,
安全帽上 mAP 在 98% 左右, 推理速度1080上608 的尺寸大概25fps。
本项目配有完善的说明, 如想你也想入门 TensorFlow 服务端部署, 那么, 这个项目是你非常好的选择.
2. 更稳定的手势识别方法--基于手部骨架与关键点检测 | OpenCV与AI深度学习
github地址：
https://github.com/google/mediapipe
本期将介绍并演示基于MediaPipe的手势骨架与特征点提取步骤以及以此为基础实现手势识别的方法。
关于MediaPipe以前有相关文章介绍，可以参看下面链接：
Google开源手势识别--基于TF Lite/MediaPipe
它能做些什么？请看上面的动图.
实现步骤:
参考链接:
https://google.github.io/mediapipe/solutions/hands
(1) 安装mediapipe，执行pip install mediapipe
(2) 下载手势检测与骨架提取模型
(3) 代码测试(摄像头实时测试)
总结：MediaPipe手势检测与骨架提取模型识别相较传统方法更稳定，而且提供手指关节的3D坐标点，对于手势识别与进一步手势动作相关开发有很大帮助。
3. 加拿大小哥用树莓派做了一个狗子探测器：实时识别路过的狗子，还能向狗主人“表白” | 大数据文摘
Github:
https://github.com/rydercalmdown/dog_detector
“吸狗一时爽，一直吸狗一直爽”
加拿大小哥Ryder亲手做了一个狗子探测器，
这个探测器还和扩音喇叭联结在了一起，但凡有人遛狗经过了他们家，
探测器首先会进行识别，然后这个喇叭就会提醒他，“快来吸狗啦！”
这还不止，Ryder还突发奇想，这些狗子都这么可爱，它们的主人也应该得到赞赏。
于是，他对整个系统进行了改进。现在这个扩音喇叭不仅能提醒他赶紧吸狗，还能对着路边的狗主人大声说到，“我喜欢你家的狗子（I like your dog）”。
超简单的狗子探测器，只需树莓派，项目已开源
其实整个项目的思路也很简单，只需要去识别经过的狗子，然后通知他就行了。
4. 轻量级NLP工具Trankit开源，中文处理更精准，超越斯坦福Stanza，内存占用小45% | 量子位
Github仓库：
https://github.com/nlp-uoregon/trankit在线Demo：
http://nlp.uoregon.edu/trankit相关论文：
https://arxiv.org/pdf/2101.03289.pdf
最新轻量级多语言NLP工具集Trankit发布1.0版本，来自俄勒冈大学。
基于Transformer，性能已超越之前的热门同类项目斯坦福Stanza。
Trankit支持多达56种语言，除了简体和繁体中文以外，还支持文言文。
先来看一组Trankit与Stanza对文言文进行依存句法分析的结果。
可以看到，Stanza错误的将“有朋自远方来”中的“有”和“来”两个动词判断成并列关系。
在简体中文的词性标注任务上，Trankit对“自从”一词处理也更好。
与Stanza一样，Trankit也是基于Pytorch用原生Python实现，对广大Python用户非常友好。
Trankit在GPU加持下加速更多，且占用内存更小，作为一个轻量级NLP工具集更适合普通人使用。
5. 妙啊！那个用文言文编程的小哥，竟从28万行唐诗中找出了对称矩阵 | 量子位
Github:
https://github.com/LingDong-/magic-square-poems
横着读是一首诗，竖着读还是这首诗！
这首诗可不是乱编的，其中的诗句都来自《全唐诗》，读起来也颇有意境。
创造这个奇妙组合的，不是文学研究大师，而是一位程序员小哥。
他用计算机，找出了所有符合规律的古诗，还在Github上开源了代码。
就连README文件，也颇具个性.
这首诗，初看只是横竖都能读，但如果把其中汉字编码成数字再看的话，会发现：
原来，这是个对称矩阵！
6. 屠榜各大CV任务! Swin Transformer对CNN的降维打击 | Smarter
paper:
https://arxiv.org/abs/2103.14030
code:
https://github.com/microsoft/Swin-Transformer
一作解读:
https://www.zhihu.com/question/437495132/answer/1800881612
最近Transformer的文章眼花缭乱，但是精度和速度相较于CNN而言还是差点意思，直到Swin Transformer的出现，让人感觉到了一丝丝激动，Swin Transformer可能是CNN的完美替代方案。
作者分析表明，Transformer从NLP迁移到CV上没有大放异彩主要有两点原因：
两个领域涉及的scale不同，NLP的scale是标准固定的，而CV的scale变化范围非常大。
CV比起NLP需要更大的分辨率，而且CV中使用Transformer的计算复杂度是图像尺度的平方，这会导致计算量过于庞大。
为了解决这两个问题，Swin Transformer相比之前的ViT做了两个改进：
引入CNN中常用的层次化构建方式构建层次化Transformer
引入locality思想，对无重合的window区域内进行self-attention计算。
相比于ViT，Swin Transfomer计算复杂度大幅度降低，具有输入图像大小线性计算复杂度。
7. 熬了几个通宵，我写了份CUDA新手入门代码 | 算法码上来
Github:
https://github.com/godweiyang/NN-CUDA-Example
在用PyTorch或者TensorFlow搭积木的时候，你是不是也遇到过下面这些情况：
自带的算子及其组合都无法满足你超（bian）常（tai）的计算需求。
自带的算子不可导，需要自己定义反向传播的梯度，例如argmax。
自带的算子太慢了，严重影响了你发paper的速度。
这时候你就会想，要是能自己实现一个速度又快、又能满足需求的算子就好了。
你想到了CUDA，自己写一个CUDA算子不就完事了嘛！
然后问题又来了，写是写完了，怎么用python代码调用它呢？
还有一个问题，这个算子它没梯度啊，自动求导机制不顶用了！
你去网上各种搜索，方法倒是全有，但是源码都好复杂，你一个新手怎么可能有心思看完那么复杂的教程？
这时候，你突然看到了这篇文章，看完后你惊呼：“怎么会有这么简洁的示例代码，这就是我想要的！”
没错，这就是作者熬了好几个通宵，查了无数bug后，写出来的一份示例代码。
8. 有bug！PyTorch在AMD CPU的计算机上卡死了 | 机器之心
GitHub 地址：
https://github.com/pytorch/pytorch/issues/52142
AMD，No？PyTorch在AMD CPU的机器上出现死锁了。
前段时间发布的 PyTorch 1.8 新增了对 AMD ROCm 的支持，对于想在 AMD 上用 PyTorch 进行深度学习的开发者来说，这是一个好消息。
但是，对使用 AMD cpu 的开发者用 PyTorch 做 AI 开发，也许没那么顺利。
这不，我们就从 PyTorch 的 Github 上发现这么一个还未解决的 issue。
有开发者表示：PyTorch 在 AMD CPU 的计算机上，用数据并行单机和多 GPU 训练 CNN 会导致死锁，而相同的代码在 Intel CPU 的计算机中就不会出现死锁。TensorFlow 也不会出现这种问题。
其他
哭了！2020图灵奖颁给编程的回忆——Jeff Dean 的编译启蒙书
10年重大更新！对决英特尔，ARM v9架构正式发布，华为海思还有使用权吗？
斯坦福科学家开源了莫德纳mRNA新冠疫苗的基因测序，在GitHub上
无内鬼，来点ICML/ACL审稿人笑话
嵌入式代码质量与开发效率技术沙龙深圳、上海、北京三城巡回开始啦
RT-Thread联合鉴释科技分享双方在嵌入式软件领域多年积累的保证代码质量的一些经验和方法，助力小伙伴提升代码质量，欢迎小伙伴报名参加
议程
13：30——14：15
嵌入式软件持续集成与测试
演讲人：RT-Thread 技术工程师
14：15——15：00
嵌入式代码的典型漏洞分析和识别
演讲人：肖琳杰 鉴释资深技术工程师
15：00——15：45
提高嵌入式软件“调试”效率
演讲人：RT-Thread 技术工程师
15：45——16：30
WASM 安全性提高
演讲人：梁宇宁 鉴释联合创始人兼CEO
扫码报名
???????????? 点击阅读原文报名线下沙龙