人工智能的发展历程

人工智能（AI）是计算机科学的一个分支¹，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。

早期发展

图灵测试²是人工智能哲学方面第一个严肃的提案。1956年，在达特茅斯会议上³，约翰·麦卡锡首次提出了"人工智能"这一术语。

现代应用

近年来，深度学习⁴技术在图像识别、自然语言处理等领域取得了突破性进展。许多科技公司都在积极布局AI领域⁵。

---

iCSS--!：，interestingcss

1231231412

1231231412

• AAAAA

• BBBBB

• BBBBB

本系列围绕 CSS 展开，谈一些有趣的话题，内容天马行空，想到什么说什么，不仅是为了拓宽解决问题的思路，更涉及一些容易忽视或是十分有趣的 CSS 细节。

持续更新中，觉得不错的可以点个 star 订阅收藏。

所有文章都在 Issues 中，同步更新到我的个人博客，也可以点击下面链接进行跳转。

Blog

本 CSS 系列同步更新在我的博客：

CSS进阶系列

List

1、下面这个左边竖条图形，只使用一个标签，可以有多少种实现方式：

123

2、类似下面这样的条纹边框，只使用一个标签，可以有多少种实现方式 -- 从条纹边框的实现谈盒子模型：

3、层叠顺序（stacking level）与堆栈上下文（stacking context）知多少？

4、从倒影说起，谈谈 CSS 继承 inherit

5、纯 CSS 实现单行居中显示文字，多行居左显示，最多两行超过用省略号结尾

6、全兼容的多列均匀布局问题

如何实现下列这种多列均匀布局：

7、全兼容的最后一条边界线问题

看看下图，常见于一些导航栏中，要求每行中最后一列的右边框消失，如何在所有浏览器中最便捷最优雅的实现？

8、纯CSS的导航栏Tab切换方案

不用 Javascript，使用纯 CSS 方案，实现类似下图的导航栏 Tab 切换：

9、巧妙的多列等高布局

规定下面的布局，实现多列等高布局，要求两列背景色等高。

<div class="container">
    <div class="left">多列等高布局左</div> 
    <div class="right">多列等高布局右</div>
</div>

10、巧妙的实现 CSS 斜线

使用单个标签，如何实现下图所示的斜线效果:

11、IFC、BFC、GFC 与 FFC 知多少

12、结构性伪类选择器

13、引人瞩目的 CSS 变量（Variable）

14、CSS命名方式是否有必要规范

15、reset.css 知多少

16、你该知道的字体 font-family

17、再探究字体的渲染规则及 fallback 机制

18、使用 position:sticky 实现粘性布局

19、深入探讨 CSS 特性检测 @supports 与 Modernizr

20、巧妙地制作背景色渐变动画！

如何实现下述的背景色渐变动画？

21、提高 CSS 动画性能的正确姿势

22、纯 CSS 方式实现 CSS 动画的暂停与播放

23、谈谈 CSS 关键字 initial、inherit 和 unset

24、使用 display:flex 实现瀑布流布局

25、vh、vw、vmin、vmax 知多少

26、奇妙的-webkit-background-clip: text

27、神奇的 conic-gradient 圆锥渐变

28、不可思议的混合模式 mix-blend-mode

29、text-fill-color 与 color 的异同

30、奇妙的 CSS shapes（CSS图形）

31、纯 CSS 实现波浪效果!

32、CSS 新特性contain，控制页面的重绘与重排

33、不受控制的 position:fixed

34、你所不知道的 CSS 动画技巧与细节

ASDASDSA

col

EmbeddingBag

产品支持情况

产品	是否支持
昇腾910_95 AI处理器	×
Atlas A3 训练系列产品/Atlas A3 推理系列产品	√
Atlas A2 训练系列产品/Atlas 800I A2 推理产品/A200I A2 Box 异构组件	√
Atlas 200I/500 A2推理产品	×
Atlas 推理系列产品	√
Atlas 训练系列产品	√
Atlas 200/300/500 推理产品	×

功能说明

• 算子功能：根据indices从weight中获得一组被聚合的数，然后根据offsets的偏移和mode指定的聚合模式对获取的数进行max、sum、mean聚合。其余参数则更细化了计算过程的控制。
  • shape推导方式如下： 假设:

    weight的shape为(numWeight, embeddingDim)
    indices的shape为(indices)
    offsets的shape为(offsets)
    

    • 当mode为sum模式：

      y的shape 为 include_last_offset ? (offsets - 1, embeddingDim) : (offsets, embeddingDim)
      offset2bag的shape 为 (indices,)
      bag_size的shape 为 include_last_offset ? (offsets - 1) : (offsets,)
      max_indices的shape 为 include_last_offset ? (offsets - 1) : (offsets,)
      

    • 当mode为mean模式：

      y的shape 为 include_last_offset? (offsets - 1, embeddingDim) : (offsets, embeddingDim)
      offset2bag的shape 为 (indices,)
      bag_size的shape 为 include_last_offset ? (offsets - 1) : (offsets,)
      max_indices的shape 为 include_last_offset ? (offsets - 1) : (offsets,)
      

    • 当mode为max模式：

      y的shape 为 include_last_offset ? (offsets - 1, embeddingDim) : (offsets, embeddingDim)
      offset2bag的shape 为 (indices,)
      bag_size的shape 为 include_last_offset ? (offsets - 1) : (offsets,)
      max_indices的shape 为 include_last_offset ? (offsets - 1, embeddingDim) : (offsets, embeddingDim)
      

参数说明

参数名	输入/输出/属性	描述	数据类型	数据格式
weight	输入	词嵌入矩阵，包含所有词的嵌入向量。	FLOAT、FLOAT16、BFLOAT16	ND
indices	输入	包含索引的张量，指定要从weight中提取哪些词的嵌入向量。	INT32、INT64	ND
offsets	可选输入	用于将indices分割成多个bag的偏移量张量。	INT32、INT64	ND
per_sample_weights	可选输入	指定样本权重。	FLOAT、FLOAT16、BFLOAT16	ND
y	输出	词嵌入矩阵聚合后的结果。	INT32、INT64	ND
offset2bag	输出	bag的起始偏移。	INT32、INT64	ND
bag_size	输出	每个bag的大小。	INT32、INT64	ND
max_indices	输出	当mode为max时，词嵌入向量最大值所在的行。	INT32、INT64	ND
mode	可选属性	用于控制聚合模式。 默认值为"mean"。	String	-
scale_grad_by_freq	可选属性	用于控制是否根据词频缩放梯度。 默认值为false。	Bool	-
sparse	可选属性	用于控制稀疏模式。 默认值为false。	Bool	-
include_last_offset	可选属性	控制是否包含最后的偏移。 默认值为false。	Bool	-
padding_idx	可选属性	控制是否包含最后的偏移。 默认值为-1。	Int	-

• Atlas 训练系列产品：不支持BFLOAT16。

约束说明

无

调用说明

调用方式	调用样例	说明
aclnn调用	test_aclnn_embedding_bag	通过aclnnEmbeddingBag接口方式调用EmbeddingBag算子。
图模式调用	test_geir_embedding_bag	通过算子IR构图方式调用EmbeddingBag算子。

操作	耗时
Scatter	$(p-1)(\alpha+\frac np\beta)=(p-1)\alpha+\frac {p-1}p n\beta$
Gather	$(p-1)(\alpha+\frac np\beta)=(p-1)\alpha+\frac {p-1}p n\beta$
Broadcast	$(p-1)(\alpha+n\beta)=(p-1)\alpha+ (p-1)n\beta$
Reduce	$ (p-1)(\alpha+n\beta + n\gamma)=(p-1)\alpha+ (p-1)n\beta +(p-1)n\gamma$
ReduceScatter	$ (p-1)(\alpha+\frac{n}{p}\beta+\frac{n}{p}\gamma)=(p-1)\alpha+\frac{p-1}{p}n\beta+\frac{p-1}{p}n\gamma $
AllGather	$ (p-1)(\alpha+\frac{n}{p}\beta)=(p-1)\alpha+\frac{p-1}{p}n\beta $
AllReduce	实现为ReduceScatter + Allgather: $ 2(p-1)\alpha+2\frac{p-1}{p}n\beta+\frac{p-1}{p}n\gamma $

参考文献与注释

Footnotes

1. 人工智能的研究领域包括机器人、语言识别、图像识别、自然语言处理等。 ↩

2. 由艾伦·图灵于1950年提出，旨在测试机器是否能够表现出与人无法区分的智能行为。 ↩

3. 1956年达特茅斯会议被认为是人工智能诞生的标志性事件。 ↩

4. 深度学习是机器学习的一个分支，它基于深层神经网络架构。 ↩

5. 包括Google、Microsoft、OpenAI等公司都在AI研发上投入了大量资源。 ↩