1 جي فاز تجميع جديد

المصدر: sites.google.com

تجميع: هو جين تاو Xiangjie

AI إعادة بدء وتحديث فينتيان!

جي الأنفس وأتمنى لدينا المشتركين الجدد الديك أسفل!

نيو جي وون لإطلاق جولة جديدة من التجنيد : COO، مدير تحرير، محرر، مترجم المتقدمة، والكاتب، مدير العمليات، مدير حسابات، مدير استشارات، مساعد إداري وغيرها من تسعة مناصب مفتوحة بالكامل.

تسليم السيرة الذاتية: ي obs@aiera.com.cn

HR مايكرو الرسالة: 13552313024

جي وون كما COO الجديد ومدير تحرير أعلى راتب سنوي قدره أكثر من مليون حافز، لتوفير أكبر قدر من إكمال نظام التدريب هو العمود الفقري للموظفين، أعلى من متوسط مستوى الصناعة الأجور والمكافآت.

انضم تشي يوان الاصطناعي القادة الجدد والمخابرات والصناعة العمل معا لتغيير العالم.

[استعراض فاز جي الجديدة توضح هذه المحاضرة عمق تعلم أساسيات تصميم إطار المبادئ، وهدفها هو أن أتمنى لتوفير التوجيه بشأن اختيار الإطار المناسب لاستخدام دراسة متعمقة من الباحثين والممارسين AI في مهام عملهم. وتنقسم المحاضرة إلى ثلاثة أجزاء: المعرفة الأساسية للشبكات العصبية؛ (2) تصميم مشترك العصبي نشر الشبكة؛ 3 يقارن مزايا وعيوب إطار مشترك مختلف من التعلم العميق ....

أحضر المؤتمر AAAI من 5 فبراير 2017 على، سييا Tokui، كينتا Oono وAtsunori Kanemura ثلاثة الباحث AI من اليابان "ديب التعلم تطبيقات وأطر" دورات (دروس) مقدمة.

توضح هذه المحاضرة عمق تعلم أساسيات تصميم إطار المبادئ، وهدفها هو أن أتمنى لتوفير التوجيه بشأن اختيار الإطار المناسب لاستخدام دراسة متعمقة من الباحثين والممارسين AI في مهام عملهم.

لحظة، عميق تعلم بعض إطار عمل، مثل TensorFlow وكافيه، وقد تم اعتمادها من قبل العديد من أنظمة التعلم العميق لتسريع البحث وسرعة التنمية. عمق تعلم أن تلعب دورا أساسيا في التقنيات الأساسية لمنظمة العفو الدولية، بما في ذلك الصور والتعرف على الصوت، وبرنامج معالجة اللغة الطبيعية. في النظم AI بناء، لعبت المواد الأساسية التعلم العميق أيضا دورا، على سبيل المثال، فهي في مجال الروبوتات والألعاب والمسابقات والتشخيص المخدرات.

تصميم عمق النماذج في جوهر التعلم، بل هو مزيج من المكونات والإلهام. دراسة متعمقة من العناصر الفنية شائعة عادة. على سبيل المثال، والتعرف على الصور، وعمق بنية التعلم النموذجية التي هو التفاف المكدس متعدد الطبقات (كومة) وتشغيل الخلية. وعادة ما يتم استخدام العديد من السلوك، بما في ذلك التسرب وتسوية دفعة لتعزيز قدرة العالمي الصين. نشر حجم كبير يمكن تبسيط النحو التالي: حسن عنصر ملزم (مثل شبكة التلافيف والمجمعة) وإلهام (مثل التسرب وتسوية دفعة) من. هذا هو السبب في أن عمق التعلم لجعل البرمجة أسباب أكثر فعالية.

اختيار إطار التعلم عمق مناسب يتطلب الأسهم معين من المعرفة من المبادئ الأساسية لتصميم الإطار. لحظة، وهناك مجموعة متنوعة من إطار التعلم العميق، والذي يسمح للمستخدمين وجود الكثير من الارتباك في اختيار الإطار الأنسب. بالإضافة إلى إعادة استخدام من سرعة اللازمة للمنافسة، والتدرجية، والبساطة من التعليمات البرمجية والبساطة وحجم الخلل في المجتمع، وما تضاف إلى هذه الصعوبة. حدد الإطار دون المستوى الأمثل قد جعل البحث كفاءة والتنمية للحد من الأضرار العملي، وانخفاض هيبة.

والتطورات الحديثة في التعلم العميق الخارج عن نطاق المهام التعرف على الأنماط بسيطة تقوم على هذه الندوة تقديم معلومات تقنية مفيدة لتطبيق العام لمنظمة العفو الدولية.

| الجمهور المستهدف

ويهدف ندوة للاستخدام الأمل لتطوير عميق تعلم نظام AI أو استخدام نظام الباحثون AI والممارسين في مهمة محددة ذات الصلة، والحلقات الدراسية المصممة لمساعدة لهم من تعدد الخيارات مرشح في طلباتهم لتحديد البرنامج الأنسب الإطار.

التغيير يوفر دورة مبادئ لتصميم وتعظيم الاستفادة من إطار مختلف، أن تختار الإطار المناسب لتقديم التوجيه. فإن الجمهور سوف تكون قادرة على التعلم من المحاضرات، لماذا بعض الإطار، إطار لماذا بعض الأخطاء من الصعب جدا لإزالة أكثر من غيرها والسبب في أن بعض إطار لسرعة نموذج تغيير ديناميكية غير صالح. ويقدم محاضرات أيضا متاحة على حالة TensorFlow، Keras وChainer، ويظهر ليس فقط توفر هذه الأطر، ولكن أيضا على آلياتها الداخلية أجرت مقدمة في العمق. وجهة نظر المحاضرة كاملة هو عالمي لفهم موضوع المحاضرة المذكورة، وسوف تساعد في تقييم بعض الإطار لم يصدر بعد.

| مكبرات الصوت

سييا Tokui، جامعة طوكيو، الباحث شبكات الاتصال المفضلة. المطور الرئيسي للإطار التعلم عمق Chainer.

كينتا Oono والمهندسين شبكات الاتصال المفضلة. المطور الرئيسي للإطار التعلم عمق Chainer.

Atsunori Kanemura، المعهد الوطني للعلوم الصناعية المتقدمة والتكنولوجيا الباحث الياباني.

الجزء الأول من المقدمة

اسم المحاضرة: ديب التعلم وإطار الانتشار

المحتويات الرئيسية لمحة عامة:

مقدمة في تصميم مشترك، الشبكة العصبية على أساس نشر الشبكة العصبية: الدورة 1

الدورة 2: أمثلة على أعماق مختلفة كود إطار التعلم، والإطار والاستنتاجات

من ذلك بكثير عمق إطار التعلم: Tensorflow، كافيه، CNTK، Theano، الشعلة، MXNet، Chainer، Keras وهلم جرا. واحد الذي هو أفضل بالنسبة لك؟

أهداف الندوة:

• تصف دراسة متعمقة للمبادئ وراء تصميم إطار

• اختر يوفر الإطار المناسب الضروريات

فهم أجزاء من معظم إطار التعلم كومة عمق التكنولوجيا المشتركة

فهم الفرق بين نشر مختلفة

جمهور قياسي: للمطورين تريد أن تشمل نظام الشبكات العصبية

إعداد الخلفية:

• آلة العامة تعلم المصطلحات، وخاصة فيما يتعلق التعلم تحت إشراف

• المعرفة الأساسية الشبكة العصبية أو ممارسة (موصى به)

• بايثون لغة برمجة بسيطة (مستحسن)

مقدمة (أو لم تدخل ل) إطار

يأتي مع الترميز أمثلة تفسير عمق هي:

• Chainer-بيثون

• Keras-بيثون

• TensorFlow-بيثون

مقارنة أيضا الإطار التالي:

• الشعلة لوا

• Theano-بيثون

• كافيه-C ++ وبايثون وماتلاب

• MXnet-كثير

• PyTorch-بيثون

اخر لا مقدمة:

• سحابة، وأدوات ماتلاب، DL4J، H2O، CNTK

• TensorBoard، DIGITS

البنية التحتية للشبكة العصبية

الشبكات العصبية الاصطناعية مستوحاة من الناحية البيولوجية، ومع ذلك، من أجل تحقيق بيولوجيا لا يساوي حسن الأداء.

إلى الأمام وعكس انتشار

• المعالجة الخطية المعلومات الإخراج (على سبيل المثال، ضرب المصفوفات) :( طبقة الشبكة العصبية) + تشغيل القناة غير الخطية (على سبيل المثال، وظيفة تفعيل) لإعطاء

• عكس: المعلمات الأمثل لاستيعاب المزيد من البيانات (إعادة الانتشار)

مرونة الشبكات العصبية يسمح للتطبيقات متعددة ممكنة:

• التعرف على الصور، التحدي ImageNet LSVR، وراء الأداء البشري

• الألعاب، AlphaGo، وفاز خبير البشري

• محتويات أشكال الاتصال، على سبيل المثال، الصور والنصوص. توليد النص من توصيف صورة المتوسطة (جزءا لا يتجزأ) مع.

• نموذج الجيل: الجيل النموذجي لمكافحة

• الترجمة، التعرف على الصوت وهلم جرا ......

مثال: تصنيف

يمثل D البعد من ناقلات المدخلات (سمة)، على سبيل المثال، 100X100 صورة

يمثل K هدفا القاطع، على سبيل المثال، نوع الكائن، القط والطاولات والكراسي، الخ

N يمثل حجم مجموعة البيانات

الهدف: لالعصبي ناقلات المدخلات الشبكة الجديدة، المتوقع نوعه

نموذج رياضي من الخلايا العصبية

وبحساب المدخلات المعلمة س ث، حولت من قبل غير الخطية وظيفة تفعيل و.

التمايز الخطي العام

• أمثلة من طبقة الشبكة العصبية

• التمايز الخطي العام

التعلم في خسائر الحد

• تعلم من تعدد عينات

• الانتاج المزدوج

• وظيفة الخسائر المحددة

• تصغير دالة معرفة، والتعلم المعلمات (التقييم)

أصل التدرج

• فقدان الشبكة العصبية طبقة ضعت التدرج

• قواعد الترقية

أنواع أخرى من فقدان وظيفة: الكون عبر، الأسي، صفر واحد، Kullback-يبر

متعدد الطبقات الشبكة العصبية، والتقليل من فقدان وظيفة

أمثلة على الشبكة العصبية اثنين من طبقة

العودة نشر:

• التدرج باستخدام قاعدة السلسلة للحصول على

• العكسي: من أعلى إلى أسفل، وحساب معامل الانحدار

التفاضلية التلقائي:

لا حاجة للنظر في قانون السلسلة

يتم احتساب العكسي يدويا، وجاف

بعد تحديد بنية الشبكة العصبية، والتدرج يمكن أن تحسب تلقائيا

وهذا ما يسمى الفرق تلقائيا (والذي هو المفهوم العام للباستخدام قاعدة السلسلة)

• المعرفة على خوارزمية

• تمييز الفرق رمزا للاختلاف وأرقام

المعلمات نصائح الترقية

• أصل التدرج

• أصل التدرج ديناميكية

• أسرع تغيير SGD الفانيليا

الأخطاء الشائعة وأكثر من المناسب

هدف التعلم هو للحد من الأخطاء الشائعة، وكذلك البيانات لم ير عن الأخطاء.

ومع ذلك، فإن البيانات المستخدمة حاليا في خاطئة جدا (أكثر من المناسب) ليست شيئا جيدا (أو حتى ضارة).

كيفية التحقق من مدى المناسب؟

البيانات إلى قسمين: مجموعة التدريب البيانات، ومجموعة بيانات الاختبار.

الاعتبارات العملية

العمارة: كم عدد طبقات / وحدة؟ الإلتواء، حلقة اتصال المتبقية

وقد تم تدريب عشوائي، قبل التدريب، والهجرة من شبكة أخرى: تهيئة - الوزن

تجنب الإفراط في تقنيات المناسب: التسرب، تنظيم دفعة

تصور

الجزء الثاني من تصميم مشترك من نشر الشبكة العصبية

هدف

مدى عمق التعلم إطار لتوصيف وتشغيل الشبكات العصبية.

مجموعة متنوعة من إطار التعلم كومة عمق التكنولوجيا المشتركة.

التفتيش على كومة التكنولوجيا على سبيل المثال: Chainer، TensorFlow، Theano، Keras

قائمة التعلم العميق كومة التكنولوجيا الإطار

كما نوع واحد من الشبكة العصبية الحاسوبية FIG.

في معظم الإطار، يتم حساب الشبكة العصبية كصورة.

أبسط شكل حساب الثنائي DAG (خطي الرسم البياني احلقي)، وتشغيل العقد الرقمية والعقد.

على سبيل المثال: MLP

على سبيل المثال: الشبكات العصبية المتكررة

التحكم في التدفق عقدة الشبكات العصبية المتكررة

على سبيل المثال: شبكة الجيل المواجهة

التي تم إنشاؤها بواسطة مولد ضد الممي شبكة والتكوين

وتوليد الممي قد تكون أي عملية حسابية

التفاضلية التلقائي

العقد الحوسبة الرقمية الخاصة (مثل خسارة) التدرج

العملية العكسية من عقدة العملية

في API، عملية عكس سيتسبب مختلف ليست نفس الإطار

هناك أيضا اختلافات في إطار FIG حساب. كما هو مبين في PPT التاليين كما

FIG حساب العكسي

FIG تمديد الحساب العكسي

أمثلة: Theano

محسن حساب

FIG حساب يصبح بسيطة وفعالة: حذف العقد زائدة مع المدمج في مشغل، للحد من أثر الذاكرة.

على سبيل المثال لTheano

محسن الرقمية

DL التكنولوجيا إطار مكدس

تدريب سير العمل الشبكة العصبية:

إعداد مجموعة البيانات - العصبية معلمات التهيئة الشبكة - كرر المعرفة والحصول على بعض الأشياء القياسية - كيفية الاستعداد لتعريف batch-- القليل القادم من سلوك حساب جيد للخسارة - خسارة تحسب (إلى الأمام) - تحسب التدرج ( عكس) - رفع مستوى المعلمات الشبكة العصبية - حفظ المعلمات الشبكة العصبية.

جوهر محتوى التدريب: برنامج التدريب النموذجي كما API، لا تحتاج للمستخدمين يدويا كتابة البرنامج.

تحميل البيانات

بيانات الدعم مسبقا تحميلها من قواعد البيانات الكبيرة، على سبيل المثال، MNIST، CIFAR، PenTreeBank مثل.

تسلسل عملية التدريب

ما هو تسلسل: نموذج تدريب (وهذا هو، وهندسة الشبكات العصبية والمعلمات)، والدولة من عملية التدريب.

التسلسل يمكن أن يحسن من قابلية للنموذج

نموذج التدريب قبل الافراج عنه:

ويمكن للمستخدمين نموذجا المهام الخاصة بهم والتدريب من إجمالي الاستخدام

العديد من الأطر، بما في ذلك كافيه، MXNet وTensorFlow شنت نماذج كبيرة (على سبيل المثال، VGG، AlexNet وResNet)

على الرغم من أن حصة ما قبل التدريب نموذج قليل من المواقع الكبيرة مثل حديقة الحيوان النموذجي، ومع ذلك، لا يزال العديد من المؤلفين حصة القطاع الخاص نماذجها.

قدم قبل التدرب نموذج من الإطارات الأخرى: على سبيل المثال، Chainer كافيه دعم النموذج المرجعي للBVLC الرسمية

موازية الحاسبات: نموذج البيانات المتوازية المتوازية و

في كل وضع، ينبغي إطار التعلم العميق تتصرف بشكل مختلف.

في نموذج قياس والمنطق، لا العودة نشر

بعض العمليات، مثل هذا التسرب دفعة وتنظيم وتدريب وقياس أو المنطق مختلفة.

FIG حسابات مختلفة تعتمد على وسائل بديلة لل

إطار التعلم عمق التكنولوجيا كومة

الشكل التصور: لمساعدة المستخدمين على تطوير نماذج بأداة أكثر ملاءمة.

تصميم ورصد ويمكن استخدام التحليل.

إطار التعلم عمق التكنولوجيا كومة

دعم GPU: الغالبية العظمى من الحوسبة دراسة متعمقة يحتوي كبير وظائف ضرب المصفوفات وتطبيقاتها، يمكن GPU تسريع هذه الحسابات. (في معظم الحالات).

إطار DL قد التبديل بسهولة بين وحدة المعالجة المركزية والجرافيك. بصفة عامة، وسيتم دعم الإطار من قبل مخبأة GPU CUDA.

مكتبة مجموعة متعددة الأبعاد (CPU / GPU)

حساب لعقد البيانات

تعتمد اعتمادا كبيرا على بلاس (CPU) أو CUDA أدوات (GPU)

مكتبات طرف ثالث: Tensorflow (CPU / GPU)، نمباي (CPU)، PyCUDA (GPU)، gpuarray (GPU).

الصفر: ND4J، mshadow (MXNet)، الشعلة، Cupy (Chainer)

معظم مكتبة GPU مجموعة يأمل لتبديل وحدة المعالجة المركزية والجرافيك.

أمثلة: Chainer / CuPy

الذي جهاز واحد؟

GPU هو الخيار الأول، ومع ذلك، GPU ليست دائما الخيار الصحيح.

وChainer كومة التكنولوجيا

وTensorFlow كومة التكنولوجيا

التكنولوجيا كومة Theano

التكنولوجيا كومة Keras

ملخص

معظم مكون إطار التعلم العميق لديها من القواسم المشتركة، وكومة مكونة من تقنيات مشابهة.

المزيد من طبقة المكدس، تم تصميم الإطار لدعم المستخدم لإكمال عملية تعلم آلة نموذجية. في الطبقة المتوسطة، ومؤتمتة العمليات الحسابية FIG. في معظم مستوى أدنى، من خلال تحسين مكافحة ناقلات اعتمد.

لتطبيقات مختلفة من هذه المكونات سوف تتسبب في إطار ليست هي نفسها، كما نرى تحت هذا الفصل.

أعماق مختلفة من الجزء الثالث من إطار التعلم المختلفة

والهدف من هذا القسم

حدد إطار تشمل العصبية تصميم الشبكات

إدخال الاختلافات إطار والموضوعية القائمة في هذه الخيارات

• كل موضوع له اثنين أو أكثر من الخيارات

• إيجابيات وسلبيات كل خيار

• أمثلة على الممارسات في Chainer

الخطوط العريضة

الخطوة تدريب ذكريات الشبكة العصبية

من الإطار الحالي للمقارنة سريعة

تفاصيل خيارات التصميم

تدريب خطوة من الشبكة العصبية (سبق ذكره أعلاه)

سير عمل المستخدم العادي

من الترميز لإجراء الترقية ثم

كتابة رمز - لحساب الظهير نشر - المعلمات الترقية - رمز المستخدم تشغيل - حساب ومددت تحسين الشكل التدريب

خيارات التصميم إطار

الشبكة العصبية هي أكثر جزء هام من

• كيفية تعريف المعلمات إلى أن يكون الأمثل

• كيفية تحديد معالم كيفية كتابة وظيفة حساب الخسارة = FIG.

وهذا يؤثر أيضا يستخدم API إلى انتشار قبل التحديث، والمعلمات مرة أخرى نشر

كل هذا يتوقف على كيفية خريطة المدى حساب

أجزاء أخرى مهمة أيضا، ولكن معظم مماثلة لتشغيل أنواع أخرى من طرق تعلم الآلة

مقارنة سريعة من الأطر القائمة

قائمة الإطار:

Torch.nn

Theano

كافيه

Keras

Chainer

MXNet

TensorFlow

PyTorch

Torch.nn

بيئة MATLAB مماثلة، مبنية على LuaJIT

إرسال لغة البرمجة النصية السريعة، CPU / GPU الدعم، سلسلة موحدة (مجموعة) الخلفية

Theano

حزمة بايثون لإنشاء حساب FIG.

شخصية محسوبة الأمثل الدعم ومترجم

كافيه

باستخدام C ++ لغة، والانتشار السريع للشبكات العصبية

التركيز الرئيسي على التطبيقات رؤية الكمبيوتر

Keras

نظيف العصبي API ضغط الشبكة، لTheano وTensorFlow

وستضاف المكتبات TensoFlow

Chainer

الهندسة المعمارية للمبنى من خلال الرسوم البيانية حيوي، الدعم الخلفي نشر

، وتوفير مجموعة واسعة من نمباي متوافقة الخلفية الموجهة GPU-

MXNet

نموذج دعم مختلطة

كما يدعم الحوسبة الموزعة

TensorFlow

أعدم بسرعة عن طريق الحوسبة الموزعة

وهو يدعم بعض من الرسم البياني العلوي

PyTorch

الشعلة بيثون I / F، مع انتشار مرة أخرى من خلال الرسم البياني الديناميكي

هناك C / C ++ نشر الخلفية، عالية الأداء متاح

إطار مقارن: معلومات عامة

تفاصيل خيارات التصميم

اختيار تصميم هام: يتضح من سير العمل العادي للمستخدم.

كيفية كتابة الشبكة العصبية في شكل النص

في لمحة البيان: طبقة الشبكة العصبية في النطاق الثابت في نفس الملف كما في الكتابة،

الكتابة على مشط القدم من قبل برنامج الشبكة العصبية: يوفر إطارا API لغة البرمجة، وتستخدم لبناء الشبكات العصبية

في ملامح البيان: قابلية عالية ومرونة منخفضة.

إرسال الشبكة العصبية من خلال مشط القدم على البرنامج: انخفاض قابلية ومرونة.

أمثلة: طبقة 50 ResNet

هياكل طبقة Chainer ResNet 50 (من مجموع 100 سطر من الكود)

كيفية حساب الظهير نشر

FIG انتشار العكسي

كما FIG العكسي الموسعة

FIG انتشار العكسي: سهولة النشر، نشر الخلفي حاجة الحساب لا يمكن تعريفها بأنها في FIG. ولكن المرونة المنخفضة، وميزة FIG قد لا تتوفر لحساب مكافحة التكاثر.

ومدده FIG العكسي: يعقد النشر. ومع ذلك المرونة، لأن أي سمة المتاحة FIG العكسي يمكن استخدامها لحساب.

كيف المعلمات توصيف

كجزء من معايير التشغيل العقدة

FIG عقدة منفصلة كمعلمة

كجزء من معايير التشغيل العقدة: الحدس، وهذا الكلاسيكية توصيف الشبكة العصبية ومثل الأشكال، ولكن أقل مرونة وقابلية إعادة الاستخدام.

FIG عقدة منفصلة كمعلمة: المرونة وإعادة استخدام عالية.

أمثلة Chainer

Chainer الاستخدام الأولي لتصميم كلاسيكي

تم لاحقا إعادة تصميم منظورين: منظور عصري، فمن منظور كلاسيكي.

هذا الضغط متعدد الطبقات، شائع جدا في إطار الحديث. (على سبيل المثال، Keras، PyTorch)

كيفية ترقية المعلمات؟

عن طريق رفع مستوى المعلمات التقليدية الأخرى من الخريطة: من السهل نشر، ولكن الاتساق هو منخفض جدا.

تم تطوير المعادلات كجزء من المخطط التوصيف: معقد النشر، ولكن الاتساق عالية.

عندما يقوم المستخدمون بتشغيل الرمز؟

عندما يقوم المستخدمون بتشغيل الرمز؟

FIG حساب ثابت: حساب الأمثل هو سهلة، وانخفاض المرونة وإعادة استخدام

FIG حساب ديناميكية: حساب الصعب الأمثل، والمرونة العالية وإعادة استخدام

مرونة وقت التشغيل وتوافر جملة لغة

كيفية تحقيق الأداء المتميز؟

FIG الهجرة لتحسين الحساب،

وهو يوفر وسيلة بسيطة لالعقد الكتابة مخصصة تشغيل

كيفية توسيع الحوسبة

متعدد GPU الحوسبة المتوازية

الحوسبة الموزعة

وفيما يلي مقارنة بين بنشمارك:

• قدمنا قدرة كل إطار

• ومع ذلك، فإنه لم يتضمن مقارنة تفصيلية للإطار حول

• تحديد الإطار يعتمد في الواقع على مستوى راحة الشبكة العصبية إرسال

• هنا، التجربة والخطأ أمر مهم جدا

[البحث] جديد AI يونيكورن جي فاز معا 10 رأس المال الكبير

خطة بدء الأعمال مسابقة 2017

AI مسابقة ريادة الأعمال من جي وون جديد مع 10 التيار AI VC: الأزرق تشي المشاريع، سيكويا كابيتال الصين، صندوق الذكاء الاصطناعي قاو لينغ تشي، عاصمة بحيرة الأزرق، والأزرق الفيل رأس المال ورأس المال IDG عاصمة عالية يونغ، سيتيك الأوراق المالية الاستثمار في مجال البناء، مينغ المحتملين العاصمة sonhwa بعيد للانضمام إلى صندوق بادر برعاية يوان التشيلي الجديد، واللجنة الإدارية حديقة تشونغ قوان تسون بكين للعلوم، ويدعم لجنة إدارة تشونغ قوان تسون هايديان حديقة العلوم، هو تجميع رواد التكنولوجيا AI وقادة الاستثمار الحدث. تشى يوان لتوفير قوية موارد رأس المال الاستثماري جديدة إلى فرصة لرسو السفن القادمة AI يونيكورن الكامل من الطموح، وأعلى TS مشروع في انتظاركم ليأتي وجمع.

انقر أدناه لقراءة المقال الأصلي، وملء استمارة الطلب على الانترنت طلب التسجيل. تشارك الساعات صحيفة في اختيار المعلومات المطلوبة.

إذا كان أكثر من الوصف المعلومات (مثل BP، الخ)، ويمكن إرسالها إلى xzy100@aiera.com.cn، يرجى الإشارة إلى اسم الشركة من رأس الرسالة. إذا كان لديك أي أسئلة المشورة، لا تتردد في الاتصال المرسل إلى علبة البريد.