FC Nantes
PulseAugur coverage of FC Nantes — every cluster mentioning FC Nantes across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
AI天气模型通过训练后量化进行优化
研究人员探讨了训练后量化（PTQ）对自回归天气预报模型的影响。本研究在深度学习天气预报（DLWP）和FourCastNet（FCN）模型中实现了PTQ算法，以评估其对推理速度和功耗的影响。研究结果表明，PTQ可以在短期内产生具有定性意义的预测，为地球物理流体动力学中深度学习模型的优化树立了基准。
-
DanLing NestedTensor 通过 PyTorch 抽象提高了深度学习效率
研究人员推出了 DanLing NestedTensor，这是一种用于 PyTorch 的新型张量抽象，旨在更有效地处理深度学习中可变大小的输入。这种抽象使多不规则结构成为张量本身的固有属性，减少了填充造成的计算浪费并提高了性能。基准测试显示，与传统的填充方法相比，对于包括 BERT 和 FCN 主干在内的各种深度学习模型，速度显著加快，并且在高变化批次中内存分配明显减少。
-
NVIDIA Earth2Studio 支持自定义天气预报工作流
NVIDIA 的 Earth2Studio 正被用于构建自定义集成天气预报工作流。该过程包括安装 Earth2Studio 组件、加载预后模型以及检索大气初始条件。用户可以实现自定义诊断，例如将风速转换为涡轮机容量因子，并对大气变量应用物理上合适的噪声幅度。该系统利用 Earth2Studio 的 API 进行批量处理和数据存储，从而可以使用各种指标和可视化技术将预报与分析进行验证。
-
Transformer模型dedupT增强堆栈跟踪崩溃去重能力
研究人员开发了一种新方法dedupT，用于在软件开发中自动识别和合并重复的崩溃报告。该方法利用Transformer模型，将其从自然语言处理领域适配到理解堆栈跟踪中的上下文和结构关系。在真实数据集上的实验表明，dedupT在对重复崩溃进行排序和检测唯一崩溃方面，显著优于现有的深度学习和传统方法，从而减少了手动分类的工作量。
-
AI框架精准量化作物病害严重程度
研究人员开发了一种新颖的深度学习框架，用于精准量化田间作物的病害严重程度，旨在改进精准农业。该系统集成了语义分割、回归和分类，以评估压力水平，并根据受感染的叶片面积将其分为低到非常高。实验表明，使用MobileNetV2的U-Net模型取得了高性能，像素准确率为98.20%，严重程度指数与专家标注高度相关。