国产AI框架支棱起来了!这所211高校凭昇思MindSpore连发10篇顶刊/顶会论文

简介: 国产AI框架支棱起来了!这所211高校凭昇思MindSpore连发10篇顶刊/顶会论文



 新智元报道  

编辑:好困

【新智元导读】武汉理工大学基于「昇思MindSpore」,将AI框架与教学科研的深度融合,为产学研合作创新构造了全新的成功范式。


自从2020年3月开源发布后,全场景AI框架「昇思MindSpore」秉承加速人工智能科研发展和人才培养的理念,与国内144所高校和科研院所开展多样化合作,孵化出教学创新改革、科研论文创新、科技竞赛创新创业等多方面成果。

开源与结缘

从昇思MindSpore 1.0发布至今,武汉理工大学计算机与人工智能学院(下称武理工计算机智能学院),对MindSpore发展十分关注与支持。熊盛武院长一路引航,带领武理工计算机智能学院的师生们全方位学习和使用昇思MindSpore。

熊院长本人也始终站在人工智能前沿成果的宣传一线,积极参与计算产业院长论坛、CECC论坛等先进平台活动,分享围绕昇腾和昇思MindSpore开展的教学改革和人才培养方案,吸引了众多领域专家和企业高管加入昇思MindSpore社区。

在熊盛武院长的带领下,全院师生利用自身丰富的昇思MindSpore开发经验,积极参与昇思MindSpore众智、SIG、科技竞赛等活动,在教学、科研、实践中均取得了极佳的成果,涌现出一批优秀学生代表,如路雄博、王振邦、周云飞等。熊院长不仅为武理工计算机智能学院培养了一批高水平、创新型的人工智能教师团队和IT生态创新人才,更是为AI产业链输送了一批高质量人才, 建立了一支助力昇思MindSpore发展与完善的中坚力量。

1 基于昇思面向人才培养的全方位产教融合

作为首批「智能基座」产教融合协同育人基地建设高校,武理工计算机智能学院在熊盛武院长的带领下,充分利用「智能基座」平台作用,全面引入昇腾与昇思MindSpore的国产软硬件体系,将全院AI类课程与MindSpore框架全面融合;同时,调动全院师生参与众智活动,基于众智项目增强授课教师、学生等参与成员对框架的深度理解和使用经验。

图1 全方位产教融合方案如上图1所示,基于「智能基座」和「众智」活动,达成了本科培养的授课阶段、课外实践环节、毕业设计环节等全方位的产教融合覆盖,使学生能够学MindSpore入门AI、用MindSpore开发实践,最终使用MindSpore完成毕业设计。下面分别简述图1中各部分达成的突出成果。

1.1 开展「AI课程教学」,与昇思全面融合,培养产业链创新人才自2020年秋学期始,武理工计算机智能学院开始采用MindSpore进行人工智能相关子领域课程,并逐年增加课程覆盖度,截止2022年春季学期,已达成全学院AI类课程与MindSpore全面融合覆盖。如下表:经过2年有余的课程融合,使用MindSpore授课累计覆盖学生620+,并成为国内首个将全部AI课程与国产软硬件平台深度融合的学院。MindSpore融合课程采取课堂讲授、实操示范和小组讨论等教学方法,除常规的理论+实验课程内容外,课程还引入了企业级开发和部署的实际场景。如《计算机视觉》课程面向企业生产环境的低功耗和高性能需求,使用华为Atlas 200DK开发板,基于MindSpore开发出一套能真实运行的人脸检测与人脸识别系统;《机器学习》课程引入MindSpore Lite,教授学生云端训练+移动端开发的实用技能,可基于MindSpore快速开发和部署复杂的深度学习模型等。通过融入MindSpore实践内容,有效达成了理论与产业实践匹配,学生所学即业界所用的目标。

图 段鹏飞老师课堂讲授MindSpore理论和实践1.2 积极参与昇思「社团与众智」,成为昇思发展与完善的中坚力量MindSpore众智(昇腾众智计划之一)是面向高校师生与社区开发者,通过发放模型、算子、套件等不同粒度的AI开发任务,促进框架演进和生态建设的一项生态合作计划。在教学全面融合的基础上,武理工计算机智能学院积极参与MindSpore众智 ,并与学生培养策略进行有机结合,对高低年级组合培养梯队人才,通过轮流组长值培养种子学生;此外,在众智计划之上,不断优化和探索众智运作新模式,通过社团运作,吸引跨学科跨专业学生参与学习和贡献MindSpore社区促进更多的同学加入学习和贡献MindSpore。武理工计算机智能学院前后共承接多批众智项目,包括129个算子,21个模型,28个onnx推理模型,17个图文案例,1个套件等,累计投入600多人次,培养近150余名MindSpore开发者,贡献300条代码PR,产生43名「未来之星」,34人次获得昇腾众智金质量奖,获奖人数全国前列。武理工计算机智能学院伴随和助力昇思MindSpore一路从1.0迭代更新至1.9版本,成为MindSpore深度学习框架发展与完善的中坚力量。 熊盛武教授在校内建立昇思社,依托学校的昇思社团在全校乃至跨校范围内进行宣讲,吸引了众多跨地区、跨校、跨院的同学一起参与众智项目。同时,熊盛武教授带领同学们积极参与易用性SIG,为新加入社区的开发者提供简单易懂的MindSpore指导教程,帮助开发者打通使用MindSpore过程的「最后一公里」。熊盛武教授已通过昇思社和易用性SIG举行5次昇思MindSpore开发宣讲会,吸引了包括重庆邮电大学,中南民族大学等跨校,及汽车学院、理学院等跨院100余名本科生和研究生加入MindSpore社区,其中40余人参与了MindSpore项目开发,获得了全栈系统化的学习资源,了解了业界最佳实践和学术界前沿技术,得到了丰富的实践机会,扩大了自己在开源社区中的影响力。

图 熊盛武院长在昇思学习小组内进行昇思MindSpore宣讲1.3 基于昇思开展「毕业设计」,获优秀毕业论文在学生课程学习和课外实践深度融入MindSpore的基础上,武理工计算机智能学院大胆革新,提供基于MindSpore框架算法研究的毕业设计选题,鼓励学生融汇课内外MindSpore学习实践经验,完成最终的毕业论文和毕业设计。2022年夏季毕业设计共发布21个MindSpore选题,其中14名本科毕业生选择,并在AI子领域取得了较为突出的创新成果,模型性能大幅提升,名单见下表。

基于MindSpore的毕业设计论文名单

2 基于昇思MindSpore构建教学资源库与师资培养

2.1 牵头建设「深度学习虚拟教研室」,打造精品教学资源库,培养高水平师资

为推进「教育部-华为『智能基座』产教融合协同育人基地」项目,武汉理工大学熊盛武教授联合武汉大学、华中师范大学、中国地质大学(武汉)、西藏大学、湖北工业大学和海南大学跨时空、跨区域建设深度学习课程虚拟教研室。其中包含深度学习、计算机视觉、人工智能程序设计、智能芯片原理与应用、智能系统与应用5门课程,并基于昇腾与MindSpore等国产软硬件平台构建藏文化数字重建、智慧农业、智慧海洋、卫星遥感等实践案例。通过本虚拟教研室建设,培养高水平、创新型人工智能教师团队,并持续为鲲鹏、昇腾及华为云等国产化产业链输送高质量人才。

图 虚拟教研室及成员组成虚拟教研室的建设目标为依托武华为「智能基座」产教融合协同育人基地与华为国产化信息平台,与国内包括中西部重点高校进行跨地域合作,对深度学习课程群教学模式和方案进行改革,协同打造精品教学资源库,提高高等教育支撑解决关键核心技术「卡脖子」问题的能力和水平。

图 虚拟教研室建设方案

图 虚拟教研室开工会2.2 校企合作精品课程资源建设为了提高高校教学和人才培养的质量,熊盛武教授与华为技术有限公司合作,共同开发基于MindSpore的AI 领域精品课程,包括《基于华为云平台的MindSpore实践》、《基于MindSpore框架的语音信号处理及应用》等,具体内容如下:

3 基于昇思MindSpore开展科技竞赛与科研创新

依托产教融合的显著成果,结合学生长期丰富的MindSpore开发经验,武理工计算机智能学院利用基于MindSpore开发的系统参与计算机、人工智能领域相关竞赛,获得多个国家、省部级奖项,将学院研究与SOTA模型的众智经验相结合,产出一批高质量的创新论文。

3.1 科技竞赛获得累累硕果在医疗领域,基于MindSpore开发皮肤病分类的神经网络,用于皮肤病监测系统,所开发的系统足够高效和轻量,所有无专业知识的患者也可以轻松使用。本项目最终获得「建行杯」第七届中国国际「互联网+」大学生创新创业大赛产业命题赛道,湖北省金奖、国赛入围奖。

图 本项目移动平台应用App系统界面在农业领域,开发分子育种预测系统,将昇思MindSpore应用到农作物分子育种领域,依据基因测序技术自动化获取种子基因数据数据,基于MindSpore开发并训练深度学习模型,实现对优质种质的筛选。本项目获得「建行杯」第八届中国国际「互联网+」大学生创新创业大赛产业命题赛道湖北省金奖;同时获得2022首届「崖州湾杯」科技创新大赛南繁赛道一等奖、最佳成果转化奖,团队指导老师熊盛武教授、荣毅博士后获优秀指导老师。在国土安全领域,开发舰船识别系统,考虑到数据以及算法的隐私性和安全性,该项目基于国产深度学习框架 Mindspore 进行开发,部署也在华为的国产硬件上进行。

图 本项目获得全国人工智能创新应用大赛二等奖3.2 科研论文建学术影响力基于MindSpore自主开展科研,其中CCF-A会议论文1篇,CCF-B论文2篇,CCF-C论文4篇,JCR Q1论文1篇, Q2论文1篇, Q3论文1篇,详细列表如下:1. SSAT: A Symmetric Semantic-Aware Transformer Network for Makeup Transfer and Removal 论文会议:AAAI2022 会议等级:CCF-A2. A FRAME LOSS OF MULTIPLE INSTANCE LEARNING FOR WEAKLY SUPERVISED SOUND EVENT DETECTION 论文会议:ICASSP 会议等级:语音顶会,CCF-B3. Fusing Acoustic and Text Emotional Features for Expressive Speech Synthesie 论文会议:ICME 会议等级:CCF-B4. Few-shot driver identification via meta-learning 发表期刊:Expert Systems with Applications 期刊等级:CCF-C5. Query and Neighbor-Aware Reasoning Based Multi-hop Question Answering over Kno wledge Graph 论文会议:KSEM2022 会议级别CCF-C6. Deep Semantic Ranking Hashing Based on Self-Attention for Medical Image Retrieval 会议:ICPR 会议等级:CCF-C(已录用,未检索)7. Feature Space Disentangling Based On Spatial Attention for Makeup Transfer 论文会议:ICIP  会议等级:CCF-C(已录用,未检索)8. Deep Quadruple-Based Hashing for Remote Sensing Image-Sound Retrieval 发表期刊:IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING 期刊等级:遥感顶刊,中科院 Q2, JCR Q1,CCF B9. Unsupervised Balanced Hash Codes Learning with Multi-Channel Feature Fusion 发表期刊:IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing 期刊等级:JCR Q210. The structural weight design method based on the modified grasshopper optimization algorithm 论文期刊:Multimedia Tools and Applications 期刊等级:JCR Q3, CCF C

循环与反哺

「创新之道,唯在得人。」一路走来,武汉理工大学计算机智能学院师生们在院长熊盛武教授的带领下,对接产业界科技发展趋势与市场需求,多方协同、优势互补,全面产学研融合,以产教融合先行,逐步带动科研创新,并不断构建新的教学资源和师资力量,向中西部地区进行辐射,推广其先进经验,形成基于国产软硬件平台的校企合作循环,培养了一大批AI人才。最终构建了良性的昇思MindSpore人才生态与培养体系,激发出教育与产业的持续活力。

此外,武汉理工大学计算机智能学院自身丰富MindSpore产学研融合经验,也为推广MindSpore深度学习框架提供了有力的范例,证明了MindSpore高校学生培养和研究创新的加速。其利用基于MindSpore开发的系统参与计算机、人工智能领域相关竞赛,获得了多个国家、省部级奖项,让更多的开发者、领域专家和企业高管知晓MindSpore,加入MindSpore社区,开发MindSpore项目,形成了有效的生态反哺。武汉理工大学计算机与人工智能学院的案例是MindSpore面向AI领域产教融合的第一个成功典范。我们诚邀各个高校院所,一起为AI的人才培养和产业发展出一份力。希望更多高校接纳、拥抱MindSpore,我们一同构建有特色、有影响的下一个,下一百个产学研融合范例。更多咨询:昇思小助手微信mindspore0328

MindSpore官网:https://www.mindspore.cn/

Gitee:https://gitee.com/mindspore/mindspore

GitHub:https://github.com/mindspore-ai/mindspore

论坛:https://bbs.huaweicloud.com/forum/forum-1076-1.html

相关文章
|
8天前
|
机器学习/深度学习 人工智能 自然语言处理
DiffSensei:AI 漫画生成框架,能生成内容可控的黑白漫画面板,支持多角色和布局控制
DiffSensei 是一个由北京大学、上海AI实验室及南洋理工大学共同推出的AI漫画生成框架,能够生成可控的黑白漫画面板。该框架整合了基于扩散的图像生成器和多模态大型语言模型(MLLM),支持多角色控制和精确布局控制,适用于漫画创作、个性化内容生成等多个领域。
68 18
DiffSensei:AI 漫画生成框架,能生成内容可控的黑白漫画面板,支持多角色和布局控制
|
4天前
|
机器学习/深度学习 人工智能
Leffa:Meta AI 开源精确控制人物外观和姿势的图像生成框架,在生成穿着的同时保持人物特征
Leffa 是 Meta 开源的图像生成框架,通过引入流场学习在注意力机制中精确控制人物的外观和姿势。该框架不增加额外参数和推理成本,适用于多种扩散模型,展现了良好的模型无关性和泛化能力。
38 11
Leffa:Meta AI 开源精确控制人物外观和姿势的图像生成框架,在生成穿着的同时保持人物特征
|
13天前
|
机器学习/深度学习 存储 人工智能
【AI系统】昇思MindSpore并行
本文介绍昇思MindSpore的并行训练技术,包括张量重排布、自动微分等,旨在简化并行策略搜索,提高大规模模型训练效率。文章探讨了大模型带来的挑战及现有框架的局限性,详细说明了MindSpore如何通过技术创新解决这些问题,实现高效的大模型训练。
63 20
【AI系统】昇思MindSpore并行
|
9天前
|
人工智能 API 语音技术
TEN Agent:开源的实时多模态 AI 代理框架,支持语音、文本和图像的实时通信交互
TEN Agent 是一个开源的实时多模态 AI 代理框架,集成了 OpenAI Realtime API 和 RTC 技术,支持语音、文本和图像的多模态交互,具备实时通信、模块化设计和多语言支持等功能,适用于智能客服、实时语音助手等多种场景。
93 15
TEN Agent:开源的实时多模态 AI 代理框架,支持语音、文本和图像的实时通信交互
|
10天前
|
人工智能 安全 PyTorch
SPDL:Meta AI 推出的开源高性能AI模型数据加载解决方案,兼容主流 AI 框架 PyTorch
SPDL是Meta AI推出的开源高性能AI模型数据加载解决方案,基于多线程技术和异步事件循环,提供高吞吐量、低资源占用的数据加载功能,支持分布式系统和主流AI框架PyTorch。
44 10
SPDL:Meta AI 推出的开源高性能AI模型数据加载解决方案,兼容主流 AI 框架 PyTorch
|
10天前
|
人工智能 自然语言处理 前端开发
Director:构建视频智能体的 AI 框架,用自然语言执行搜索、编辑、合成和生成等复杂视频任务
Director 是一个构建视频智能体的 AI 框架,用户可以通过自然语言命令执行复杂的视频任务,如搜索、编辑、合成和生成视频内容。该框架基于 VideoDB 的“视频即数据”基础设施,集成了多个预构建的视频代理和 AI API,支持高度定制化,适用于开发者和创作者。
73 9
Director:构建视频智能体的 AI 框架,用自然语言执行搜索、编辑、合成和生成等复杂视频任务
|
12天前
|
机器学习/深度学习 人工智能
SNOOPI:创新 AI 文本到图像生成框架,提升单步扩散模型的效率和性能
SNOOPI是一个创新的AI文本到图像生成框架,通过增强单步扩散模型的指导,显著提升模型性能和控制力。该框架包括PG-SB和NASA两种技术,分别用于增强训练稳定性和整合负面提示。SNOOPI在多个评估指标上超越基线模型,尤其在HPSv2得分达到31.08,成为单步扩散模型的新标杆。
54 10
SNOOPI:创新 AI 文本到图像生成框架,提升单步扩散模型的效率和性能
|
14天前
|
机器学习/深度学习 人工智能 开发者
【AI系统】昇思 MindSpore 关键特性
本文介绍华为自研AI框架昇思MindSpore,一个面向全场景的AI计算框架,旨在提供统一、高效、安全的平台,支持AI算法研究与生产部署。文章详细阐述了MindSpore的定位、架构、特性及在端边云全场景下的应用优势,强调其动静态图统一、联邦学习支持及高性能优化等亮点。
45 7
【AI系统】昇思 MindSpore 关键特性
|
15天前
|
机器学习/深度学习 人工智能 算法
【AI系统】AI 框架基础介绍
本文介绍了AI算法、神经网络及其应用,解释了为何神经网络需要训练及AI框架的作用。通过解析深度学习的数学原理与反向求导算法,阐述了AI框架如何作为模型设计、训练和验证的标准工具,支持算法封装、数据调用及计算资源管理,强调了AI框架的发展历程和技术迭代。
47 9
【AI系统】AI 框架基础介绍
|
14天前
|
机器学习/深度学习 人工智能 算法
【AI系统】框架编程范式
编程范式是软件工程中一类典型的编程风格,如函数式、命令式、声明式、面向对象等。它们影响着开发者对程序执行的理解。本文探讨了两种主要的编程范式——声明式编程与命令式编程,特别是在AI框架中的应用,如TensorFlow的声明式编程和PyTorch的命令式编程,分析了这两种范式对AI框架架构设计的影响及主流AI框架在这两种范式上的差异。
45 3
【AI系统】框架编程范式
下一篇
DataWorks