此文章由英特尔 AI 与 PyTorch 基金会合作撰写。
2017 年,联合国全球契约强调数字技术,特别是开源技术,对于实现可持续发展目标 (SDGs) 至关重要,预计到 2030 年可为科技行业带来 2.1 万亿美元的增长。可持续发展目标是“2030 年可持续发展议程”的一部分,旨在解决各行业的全球繁荣问题。
Linux 基金会可持续发展倡议将项目与可持续发展目标对齐。通过评估项目影响,可以更好地分配资源以进行改进。英特尔也是这项倡议的贡献者,最近与 PyTorch 和英特尔 AI 合作,提出了三个用例来解决与联合国可持续发展目标相关的问题。

可持续发展目标 15:陆地生命
- 使用骨骼可能性图来精确定位恐龙骨骼,这为迁移学习解决了诸如野火预测等当代挑战铺平了道路。
- 采用迁移学习进行野火预测并使用 Stable Diffusion 生成数据。
可持续发展目标 9:工业、创新、基础设施
- 通过地下模型识别关键矿物、石油和天然气。
以下是研讨会的主要亮点。请阅读下方摘要,并务必观看完整的研讨会视频并访问 GitHub 存储库。
第一节:恐龙骨骼层图简介
Bob Chesebrough 最近主持了一场 PyTorch 研讨会,演示了如何为恐龙国家纪念碑创建恐龙骨骼层图。他分享了他的发现片段,并解释了他利用地质数据精确定位可能富含骨骼区域的 AI 驱动方法。
与会者学习了如何设置 JupyterLab,访问训练部分,并启动 BASH shell。Bob 的分类模型应用于航空图像,促进了热图生成以识别潜在的骨骼位置,并通过现场数据进行细化。“Jurassic”GitHub 存储库引导参与者完成了目录设置和模型优化步骤。
Rahul Unnikrishnan Nair 演示了 PyTorch 的使用,重点关注性能增强。研讨会涵盖了建模最佳实践,例如数据转换、类别分布、dropout 层和高效训练方法。检查了训练和评分过程,重点关注模型准确性和向其他区域的可移植性。热图创建涉及将图像切割成图块,考虑到上下文以进行准确的环境识别。
点击此处观看完整研讨会视频,并访问GitHub 存储库以访问代码示例并使用Intel® Extension for PyTorch进行代码实验。使用 PyTorch 尝试并探索最适合您的内容。祝您恐龙骨骼寻宝愉快!
第二节:利用 OpenFWI 将地震数据转换为地下模型:使用 PyTorch 训练 AI 模型
地震勘探对于矿产和油气勘探中的地下成像至关重要。全波形反演 (FWI) 重建地下声波速度,类似于地球的超声波。
英特尔 AI 软件工程经理 Ben Consolvo 演示了如何在英特尔高性能处理器上使用 PyTorch 直接从地震数据训练 AI 模型。FWI 虽然准确,但计算量大且依赖于精确的初始模型。AI 模型提供了一种替代方法,直接从数据中学习,无需精确的初始化。Ben 解释了 AI 模型的挑战,强调了多样化数据集的需求以及使用 CPU 进行微调的潜力。他还讨论了 FWI 令人惊讶的医疗应用。
点击此处观看完整视频,并前往论文了解更多详情。GitHub 存储库是OpenFWI。
第三节:使用 PyTorch 辅助野火预测
森林火灾对生态系统、野生动物和社区构成重大威胁。机器学习提供了一种有前景的方法来提高预测准确性。在这次地球日网络研讨会中,Bob Chesebrough 和 Rahul Unnikrishnan Nair 演示了使用 MODIS 数据集进行的图像分析技术,该技术用于预测早期森林火灾的可能性。通过使用 Intel® Extension for PyTorch 对 ResNet18 模型进行微调,使用航空照片调整了预训练模型,利用地理空间和颜色数据进行火灾风险评估。
强调了数据集分析的时间和地理过滤要求,展示了来自天堂镇(加利福尼亚州)等受火灾影响区域的图像,突出了模型对不同硬件配置的适应性,以及在真实数据集不可用时使用 Stable Diffusion 进行数据合成。演讲者鼓励听众参与 PyTorch 实验以进行早期火灾检测,并通过提出挑战来利用这些工具进行关键预测任务。加入他们,共同努力加强野火预防和保护工作。
点击此处观看完整视频,并前往论文了解更多详情。GitHub 存储库是ForestFirePrediction。
关于英特尔演讲者
Bob Chesebrough,高级解决方案架构师
Bob Chesebrough 在财富 100 强公司和国家实验室拥有三十多年的软件开发/人工智能解决方案工程行业经验。他也是一名业余爱好者,在野外寻找恐龙骨骼方面已累计超过 800 英里和 1000 小时。他与儿子们在新墨西哥州发现了一种重要的化石,是目前已知唯一来自侏罗纪的鳄类动物化石,他们还在博物馆中发现并记录了 2000 多处骨骼地点,并描述了新墨西哥州一处新的大规模骨骼层。
Rahul Unnikrishnan Nair,应用 AI 架构师兼 Intel® Liftoff 工程主管
在其目前在 Intel® Liftoff for Startups 项目中的职位上,Rahul Nair 凭借其在应用 AI 和工程方面的丰富经验,指导早期 AI 初创公司。他致力于帮助这些初创公司将创新理念转化为功能齐全、可投放市场的产品,并高度重视用例驱动的实际工程和优化。
Ben Consolvo,AI 软件工程经理
Ben Consolvo 是英特尔的 AI 解决方案工程经理。他一直在围绕英特尔的 AI 技术与英特尔的硬件产品构建团队和项目。他拥有数据科学背景和热情,尤其是在深度学习 (DL) 和计算机视觉领域。他已将自己的 DL 技能应用于网络安全行业,以自动识别网络钓鱼网站,以及应用于石油和天然气行业,以识别地球物理成像的地下特征。
Kelli Belcher,AI 解决方案工程师
Kelli Belcher 是英特尔的 AI 解决方案工程师,在金融服务、医疗保健和科技行业拥有超过 5 年的经验。在她目前的工作中,Kelli 帮助使用英特尔的开放 AI 软件工具组合构建机器学习解决方案。Kelli 拥有 Python、R、SQL 和 Tableau 的经验,并拥有德克萨斯大学数据分析硕士学位。