神经网络成“病毒软件”新宿主，国科大最新研究：嵌入恶意后，性能下降不足 1%

神经网络成“病毒软件”新宿主，国科大最新研究：嵌入恶意软件后，性能下降不足1%论文中写道，经过实验表明，在1%的准确率损失范围内，一个178MB的AlexNet模型可以嵌入36.9MB的恶意软件，并且VirusTotal中的反病毒引擎没有给出任何可疑提示。作者表示，随着人工智能的广泛应用，神经网络将成为恶意软件传播的载体。=========强尼银手狂喜？https://www.ithome.com/0/565/711.htm

iPhone 15 Pro Max 升到 iOS 18 后，GeekBench 机器学习测试得分上涨 25%，这在是文本分类工作

iPhone15ProMax升到iOS18后，GeekBench机器学习测试得分上涨25%，这在是文本分类工作性能上表现尤为明显。故目前推断iOS18的神经引擎可以加速这种工作负载。此外，也有网友反映在iPhone上运行Meta'sLlama38B，token生成速度约比SamsungGalaxyS24Ultra快2.6倍。关注频道@ZaiHuaPd频道爆料@ZaiHuabot

基于AI芯片的神经网络优化实战

名称：基于AI芯片的神经网络优化实战描述：作为一个AI芯片轻量化设计的学习者，我深深体会到了网络结构、识蒸馏优化和低秩分解优化在实际应用中的重要性。以下是我个人的一些心得体会：网络结构剪枝是一种有效的减少复杂度和计算量的方法。通过对神经网络中冗余参数的剪枝，可以大幅减少模型的大小和计算复杂度，从而提高模型的训练和推理速度。同时，剪枝还可以使模型更加稀疏，从而提高模型的通用性和泛化能力。建议先收藏保存，不定时失效。链接：https://pan.quark.cn/s/a0d9260de283大小：NG标签：#quark#学习#资源#课程#网络优化频道：@yunpanshare群组：@yunpangroup

人工智能的未来：自学习机器可能取代当前的神经网络

人工智能的未来：自学习机器可能取代当前的神经网络基于物理学的新型自学机器可以取代目前的人工神经网络并节约能源。人工智能（AI）不仅性能惊人，而且需要大量能源。承担的任务越复杂，能耗就越大。德国埃尔兰根马克斯-普朗克光科学研究所的科学家维克托-洛佩斯-帕斯托尔和弗洛里安-马夸特开发出了一种更高效的人工智能训练方法。他们的方法利用物理过程，有别于传统的数字人工神经网络。负责开发为ChatGPT提供动力的GPT-3技术的OpenAI公司没有透露训练这个知识渊博的高级人工智能聊天机器人所需的能量。根据德国统计公司Statista的数据，这将需要1000兆瓦时，大约相当于200个三人或三人以上的德国家庭的年消耗量。虽然这种能源消耗使GPT-3能够了解在其数据集中，"deep"一词后面更有可能出现的是"sea"还是"learning"，但无论如何，它都无法理解这些短语的深层含义。神经形态计算机上的神经网络在过去几年中，为了降低计算机，特别是人工智能应用的能耗，一些研究机构一直在研究一种全新的概念，即未来计算机如何处理数据。这一概念被称为神经形态计算。虽然这听起来类似于人工神经网络，但实际上与人工神经网络关系不大，因为人工神经网络是在传统的数字计算机上运行的。这意味着，软件或更准确地说算法是以大脑的工作方式为模型的，但数字计算机是硬件。它们依次执行神经元网络的计算步骤，一个接一个，区分处理器和内存。马克斯-普朗克光科学研究所所长、埃尔兰根大学教授弗洛里安-马夸特（FlorianMarquardt）说："当一个神经网络用多达1TB的数据训练数千亿个参数（即突触）时，仅这两个组件之间的数据传输就会消耗大量能量。"如果人脑的工作能效与使用硅晶体管的计算机类似，那么人脑就完全不同，在进化过程中可能永远不会具有竞争力。它很可能会因过热而失效。大脑的特点是并行而非顺序地完成思维过程的众多步骤。神经细胞，或者更准确地说，突触，既是处理器，又是存储器。世界各地的各种系统都被视为神经细胞的神经形态对应物的可能候选者，其中包括利用光而不是电子进行计算的光子电路。它们的元件同时充当开关和存储单元。自学物理机器独立优化突触弗洛里安-马夸特与马克斯-普朗克光科学研究所的博士生维克托-洛佩斯-帕斯托尔（VíctorLópez-Pastor）一起，为神经形态计算机设计出了一种高效的训练方法。他解释说："我们提出了自我学习物理机器的概念。核心思想是以物理过程的形式进行训练，其中机器的参数由过程本身进行优化。在训练传统人工神经网络时，需要外部反馈来调整数十亿个突触连接的强度。不需要这种反馈，训练效率就会高得多。在自学习物理机器上实施和训练人工智能，不仅可以节约能源，还能节省计算时间。我们的方法不管自学机器中的物理过程是什么，都能发挥作用，我们甚至不需要知道具体的过程。不过，这个过程必须满足几个条件，最重要的是，它必须是可逆的，也就是说，它必须能够以最小的能量损失向前或向后运行。""此外，物理过程必须是非线性的，即足够复杂。只有非线性过程才能完成输入数据和结果之间的复杂转换。一个弹球在盘子上滚动而不会与另一个弹球相撞，这是一个线性动作。但是，如果它受到另一个弹球的干扰，情况就会变成非线性的。"光学神经形态计算机的实际测试光学中也有可逆非线性过程的例子。事实上，维克多-洛佩斯-帕斯托尔（VíctorLópez-Pastor）和弗洛里安-马夸特（FlorianMarquardt）已经与一个实验小组合作开发了一台光学神经形态计算机。这台机器以叠加光波的形式处理信息，由合适的元件调节互动的类型和强度。研究人员的目标是将自学物理机器的概念付诸实践。弗洛里安-马夸特说："我们希望能在三年内推出第一台自学物理机器。到那时，神经网络的突触数量和训练数据量都将大大超过今天的水平。因此，人们可能会更加希望在传统数字计算机之外实现神经网络，并用训练有素的神经形态计算机取而代之。我们相信，自学物理机器很有可能被用于人工智能的进一步发展。"...PC版：https://www.cnbeta.com.tw/articles/soft/1399137.htm手机版：https://m.cnbeta.com.tw/view/1399137.htm

实测新iOS 17.0.3下iPhone 15 Pro发热：改善明显 性能还更优秀

实测新iOS17.0.3下iPhone15Pro发热：改善明显性能还更优秀在这样的背景下，iOS17.0.3就这么来了，其也是用来解决iPhone15Pro系列机身太热的情况，事实上苹果也确实做到了。外媒ZDNet就对iPhone15Pro和15ProMax进行了测试，一个是系统版本为iOS17.0.3，一个是之前的，从实际对比看，散热改善还是很明显的。从一些使用场景看，没有更新系统之前，iPhone15Pro和15ProMax可以轻松超过41度，甚至更高，而更新后，差不多温度也就是在34度左右，感觉起来凉爽很多。那么降频了吗？9to5Mac实测后的结果是，iPhone15ProMax在iOS17.0.3下，多核7006和单核2875，而运行2小时后，这个对应的成绩达到了2941和7523（跑分反而更加优秀），对比之前iOS17.0.1/17.0.2版本下，单核2914、多核7199，确实性能没有下滑。升级前升级新系统后的表现...PC版：https://www.cnbeta.com.tw/articles/soft/1388285.htm手机版：https://m.cnbeta.com.tw/view/1388285.htm

GEEML：谷歌地球引擎机器学习

GEEML：谷歌地球引擎机器学习这个python包使用并行处理和谷歌地球引擎大容量端点更容易从谷歌地球引擎中提取卫星数据。在目前的状态下，它支持以csv的形式提取传统机器学习（表格数据）的数据，以及提取深度神经网络的GeoTiff图像补丁。GEEJS代码编辑器中的机器学习功能仍然有限。例如，不支持XGBoost、LightGBM、NGBoost等。此外，python生态系统对训练、验证和超参数调优的支持要多得多。但是，要利用此功能，需要在本地下载数据或将数据存储在GoogleDrive或GoogleCloudStorage中，以从机器学习python生态系统中受益。因此，这个包旨在让下载GEE处理的机器学习格式的数据变得更容易和更快。特征：并行导出图像或稀疏图像（例如GEDI）。导出点或多边形处的栅格值(ee.FeatureCollection)。汇总多边形内的栅格数据(ee.FeatureCollections)。提取表格和深度神经网络(DNN)类型的数据集。#机器学习