Z AI1.4
1.0.0
Pendahuluan singkat
Versi open source dapat diperoleh secara bebas, dimodelkan secara bebas, dan diselesaikan dan diidentifikasi masalah sendiri. Desain kerangka kerja proyek, dasar dan platformisasi, dan implementasi bukanlah open source dan tidak memberikan dokumentasi.
Sistem algoritma terdiri dari dukungan algoritma API + algoritma. Dukungan algoritma mengacu pada kondisi algoritma yang berjalan, seperti sistem pemodelan, ide-ide aplikasi algoritma, seperti sistem dnn-thread, yang merupakan dukungan algoritma, database sampel juga merupakan dukungan algoritma, dan alat pemodelan yang dibangun berdasarkan database sampel juga merupakan dukungan.
API Algoritma adalah bagian dari proyek open source dengan berbagai properti pengakuan CV+ di GIT. Zai akan memiliki beberapa inovasi independen, dan ide dan arahan algoritma pada dasarnya konsisten dengan proyek -proyek open source ini. Beberapa proyek open source bahkan lebih maju daripada algoritma Zai dan memiliki tingkat pengakuan yang lebih tinggi. Melihat proyek open source, kami melihat intensitas pembaruan. Hanya pembaruan kuat terus menerus yang dapat benar -benar maju ke produksi dan aplikasi sosial, jika tidak mereka akan dihapuskan demi waktu.
Dalam versi awal ZAI (1.2/1.3), saya selalu sangat memperhatikan pembangunan sistem algoritma. Pada dasarnya, setiap kali saya memperbarui, banyak algoritma baru akan ditambahkan. Kemudian, setelah versi rilis selesai, algoritma ini dapat setara dengan lusinan proyek open source, dan sebagian besar algoritma ini belum diterapkan. Ini memalukan! Karena sebagian besar aplikasi hanyalah deteksi target, klasifikasi target, klasifikasi adegan, dan algoritma lainnya pada dasarnya tidak akan diterapkan. Bahkan jika lusinan algoritma ditambahkan, itu tidak akan mengubah apa pun. Misalnya, itu akan sama saat menambahkan yolov7. Tidak ada artinya untuk mengintegrasikan beberapa algoritma naturasi yang sama di mesin komputasi. Ini tidak akan mengubah model aplikasi, juga tidak akan mengubah hasil pemodelan dan keberhasilan atau kegagalan proyek.
Pencocokan antara algoritma dan proyek aktual sebenarnya sangat kecil, dan solusi AI yang kami gunakan melalui Baidu, Hongruan, sensetime, dll. Semuanya dilakukan dengan usaha besar, yang tidak ada pada tingkat algoritma. Perusahaan-perusahaan ini memiliki sistem teknis dan ide-ide tingkat aplikasi sendiri. Algoritma adalah sumber daya, dan nasib algoritma disaring dan direkonstruksi oleh sistem teknis. Proporsi algoritma sangat kecil. Sistem di sekitar algoritma adalah inti dari kelangsungan hidup perusahaan AI. Dengan kata lain, perusahaan AI mengandalkan dividen zaman, algoritma adalah makanan yang dimakan perusahaan AI, dan sistem pendukung kerangka kerja dan algoritma adalah sistem pencernaan perusahaan AI, dan akhirnya menghasilkan berbagai solusi aplikasi.
Setelah mengklarifikasi posisi penting dari algoritma, kembali ke sistem algoritma ZAI, inti dari algoritma adalah sistem pendukung algoritma. Hanya setelah itu kerangka kerja lapisan aplikasi dapat ditetapkan.
Sistem pendukung algoritma bagian ZAI telah dibaptis selama tiga tahun. Sekarang, Zai mengambil rutenya sendiri.
Sistem database AI hanya dapat digunakan untuk sistem pemodelan. Misalnya, sampel pengklasifikasi adegan akan setidaknya puluhan ribu 720p/1080p. Sedikit lebih besar, sampel-sampel ini akan menjawab skala jutaan tingkat. Pada saat ini, untuk manajemen data besar dan akses yang efisien, perangkat perangkat keras server harus digunakan, seperti memori besar,> 20 CPU inti. Ini memiliki persyaratan tertentu untuk teknologi basis data.
Sistem database AI bukan database tradisional, tetapi struktur data tingkat program. Struktur data ini semuanya mendukung akselerasi multi-threading dan skala besar (sistem pendukung data besar TB). PC yang digunakan dalam pengembangan MIS/ERP tradisional tidak dapat beradaptasi dengan database AI: setelah ukuran sampel besar, memori tidak cukup, dan harus disederhanakan atau digunakan metode skala besar untuk mengelola database, yang akan membuang banyak waktu melakukan pekerjaan yang tidak berarti yang bersaing dengan perangkat keras.
Struktur database AI = + Struktur rantai sampel + Struktur matriks rantai sampel yang beradaptasi dengan persyaratan data dari semua model
AI Database System = Z.Ai.Common (AI Database) + Z.Ai.Editor (AI Toolchain Copy Database) +*. DPROJ (Seluruh Sistem Toolchain Pemodelan, sekitar 20-30 alat pendukung pemodelan). Basis data ini menggunakan perpustakaan dukungan alat DFE, ZDB1, dan ZDB2 di bagian bawah lapisan penyimpanan.
Sistem database AI tidak membedakan antara model target. Data apa pun yang diperlukan oleh model akan didukung sesuai dalam sistem database AI. Dukungan ini mencakup dukungan API, dukungan standar, dan dukungan toolchain.
Karena pengembangan proyek, AI Toolchain telah diperbarui sebagai versi internal.
Pada saat penulisan, toolchain telah membangun hampir 150 versi, yang telah mengalami banyak perbaikan dan pembaruan.
Sejarah jumlah versi telah 1,4 eval1..eval9 (90% dari jumlah versi hilang di sini)
Setelah itu, beta1..beta3 (saat ini, rencana waktu rilis untuk 2023-Juni)
Kiat: Versi open source tidak termasuk teknologi dukungan platform
Sederhananya: Hanya pemodelan dan pengakuan AI yang dapat digunakan, dan implementasi aplikasi tergantung pada Anda sendiri
Pertama, klarifikasi rute penggunaan ZDB2 di masa depan: fondasi data besar
Kedua, mengklarifikasi pemecahan masalah data besar: mesin database harus mematuhi mekanisme komputer, skenario aplikasi database tidak pernah pasti, dan database tidak akan menjadi sistem untuk menyelesaikan semua masalah data. ZDB2 percaya bahwa untuk memecahkan masalah database, Anda harus merancang sendiri mesin database, dan menggunakan mesin database desain yang unik dan independen di semua proyek.
Tinjauan Promosi Rute Teknis Sistem ZDB2
Ini belum dimasukkan ke dalam rencana promosi latar depan untuk saat ini, tetapi akan membuka ZDB2 open dan juga akan memberikan beberapa demo terkait. Logika yang mendasari adalah karena saya seorang programmer, dan hubungan saya dengan dunia adalah bahwa dunia membutuhkan kontribusi saya. Pada saat yang sama, dunia juga menghitung dan menjiplak saya kapan saja, tetapi dunia tidak dapat menghentikan perilaku kontribusi saya. Untuk waktu yang lama, saya dan dunia telah menjadi hubungan yang saling menginjak balok keseimbangan. Ini juga merupakan niat asli hanya dari teknologi open source tetapi bukan proyek open source: merangkul teknologi dan membangun mekanisme penyaringan sumber terbuka.
Karena ZDB2 memiliki kemampuan dukungan data besar, probabilitas tinggi di masa depan akan memberikan fondasi data yang sangat baik di bagian bawah ketika kondisi tertentu dipenuhi. Hanya mesin data khusus yang dapat memenuhi semua persyaratan.
Znet mewakili seluruh sistem server backend, arsitektur tingkat atas berdasarkan ZNET.
Dari perspektif makro, Sistem C4 + Sistem ZDB2 + Sistem BigList + Sistem Inti
Set pukulan kombinasi ini hanya dapat digunakan dalam 1.4 atau versi mendatang.
Mesin data sistem backend ZDB2 adalah unik. Hampir semua server backend Znet bekerja dalam model utas (setiap permintaan dengan penundaan lebih dari 100 ms ditarik oleh utas). Sistem biglist membawa peningkatan kapasitas besar ke tautan data, dan C4 menyediakan arsitektur canggih untuk backend server.
Ada banyak programmer di lingkaran PAS yang mengambil pola desain sebagai rute kerja mereka. Mereka telah membawa kerangka backend seperti bodoh ke mayoritas pemula, dan mereka memiliki fondasi teori komputer yang sangat dalam. Ini telah menciptakan situasi: pengguna dan desainer bergantung, tidak sepenuhnya saling bergantung, dan ketika desainer tidak dapat meningkatkan diri mereka sendiri, pengguna akan pasif. Merefleksikan dalam kehidupan nyata dan pekerjaan adalah tanda bahwa hal -hal baru muncul di dunia. Banyak orang telah menemukannya, tetapi desainer tidak dapat mengendalikannya, yang membuat pengguna berada di hilir desainer yang tidak dapat memulai.
Mengambil beberapa programmer dan desainer produsen Delphi sebagai contoh, tugas mereka adalah mempertahankan dan mengembangkan Delphi. Pada tahun 2016, saya melihat mereka masih berusaha memulai dengan OpenGL, dan jelas melewatkan era peningkatan bersejarah Open1.x (Solid Tube) -> Open2.0 (Pipa yang Dapat Diprogram). Delphi mengakuisisi DXScene melalui rute komersial, dan FMX dibawa ke depan. Ini adalah perilaku pasif, yang bukan praktik perintis. Jika perancang memiliki batas diri di jalan dan proyek tidak dapat memenuhi standar, pengguna akan sangat, sangat pasif.
Ringkasan: Znet mewakili seluruh sistem server backend di masa depan, tetap terbuka dan memperbarui.
DrawEngine disingkat sebagai DE, dan posisinya ringan + standar, dan membutuhkan antarmuka rendering dan output. Terletak di lapisan pengguna front-end.
Standar API grafis berasal dari Khronos, dan produsen perangkat lunak dan perangkat keras juga akan memiliki spesifikasi sendiri. Sebagian besar spesifikasi ini tercermin dalam mekanisme pengaturan piksel, optimasi piksel, dan optimasi API.
Pada saat yang sama, API Grafis juga memiliki banyak standar, logam, opengl, GLES, Vulkan, D3D, yang menciptakan situasi: renderer harus kompatibel dengan berbagai platform dan API, dan membutuhkan sejumlah besar antarmuka, dan antarmuka ini ditingkatkan dan diperbarui dengan sangat cepat, yang membuat pengembangan dan pemeliharaan mesin render menjadi sulit. DE secara langsung menghindari antarmuka standar dan platformisasi sebelumnya dalam penentuan posisi desain, dan membuat middleware: tidak apa -apa untuk membuat renderer berdiferensiasi, dan tidak masalah bahwa renderer dapat mendukung setidaknya satu sistem API pada platform target.
Lapisan FMX yang mendasari adalah penyaji. Untuk dukungan API multi-platform, sebenarnya dimungkinkan untuk melakukannya. Ini digunakan untuk merancang game dan VR baik -baik saja. DE menggunakan FMX sebagai antarmuka output, tetapi tidak akan terbatas pada FMX. DE bukan penentuan posisi penyair.
Penerapan DrawEngine tidak secara langsung memungkinkan program untuk menyelesaikan proses, karena rendering memerlukan sumber data, seperti video, gambar, dan berbagai bingkai visual. Sebagian besar waktu, ini membutuhkan sistem seperti rantai alat, backend, dan produksi konten. Rute kode murni tidak dapat dikendalikan.
Di sisi lain, DE memiliki perspektif global grafik komputer tertentu. Itu mengambil rutenya sendiri.
Dalam pembaruan 1.4, kemampuan penjadwalan rendering drawEngine sangat dioptimalkan.
Komponen Grafik Komputer Selesaikan
Harap Baca: 1.34 Dokumen Versi Lama
Harap Baca: Detail
| Arsitektur | Ai-demo | peralatan | Net-tools | Net-advance-demo | Net-c4-demo | Net-demo |
|---|---|---|---|---|---|---|
| x86 | Lulus | Lulus | Lulus | Lulus | Lulus | Lulus |
| x64 | Lulus | Lulus | Lulus | Lulus | Lulus | Lulus |
| Mkl64 | Lulus | Lulus | Lulus | Lulus | Lulus | Lulus |
| CUDA10 | Lulus | Lulus | Lulus | Lulus | Lulus | Lulus |
| Cuda11 | Lulus | Lulus | Lulus | Lulus | Lulus | Lulus |
| Cuda12 | Lulus | Lulus | Lulus | Lulus | Lulus | Lulus |
Kompiler FPC menguji semua perpustakaan di direktori sumber. Subdirektori direktori sumber adalah korelasi platform. FPC tidak mendukungnya.
lebih
2023-7-26
