This is PhoneBit - a efficient GPU-Accelerated binary neural network inference engine for monbile devices.
This is a junior version, and we provide a example Android Studio project to help you to use PhoneBit, including import your network weights into PhoneBit, construct your network and proceed forward inference.
If you are interested in PhoneBit project and want to get more information, please send emails to phonebit@outlook.com.
**项目简介**
为促进在校学生利用暑假时间提升自我能力，中科院软件所与华为OpenEuler项目在今年共同举办了 “开源软件供应链点亮计划——暑期2020”项目。本次鹏城汇智开源平台作为社区已经加入这一计划，提供若干项目需求。欢迎有能力、有热情、有时间的小伙伴们参加，鹏城汇智愿意和大家一起，为国内的开源生态添砖加瓦。
**一、PhoneBit项目**
中山大学无人系统研究所作为计划中的一员，向小伙伴们推出最新的开源移动端神经网络部署框架PhoneBit。欢迎各位加入到项目中，进行各种酷炫的应用开发。
PhoneBit是业界首个基于手机GPU的高能效的二值神经网络前向推理引擎，由中山大学无人系统研究所陈刚副教授和黄凯教授联合鹏城实验室共同开发。该框架针对移动端GPU进行高度优化，相比现有的框架，在进行二值神经网络推理的同时，可大幅提升推理速度，降低计算消耗的电量以及带来更高的能耗比。
相比于CNNdroid， PhoneBit对比其CPU模式可平均提升速度794倍，对比其GPU模式可平均提升速度35倍。相比于TensorFlow Lite，PhoneBit相对其CPU模式平均提升了12倍，相对其GPU模式平均提升了15倍，相对其CPU 8bit量化模式平均提升了6倍。
相比于daBNN（一个最新的基于ARM的二值神经网络框架，于2019年8月由京东AI开源），在使用小米5手机（Snapdragon 820 芯片）运行Bi-Real Net 18（一种二值化的ResNet-18网络）的情况下，PhoneBit实现了2.60倍速度提升，2.62倍更低的功耗，6.8倍更高的能效比
如今，PhoneBit框架正式在鹏城汇智开源代码托管平台上开源，提供了基于java的API支持，并提供Android Studio上的手机APP应用样例工程。
项目地址：
https://code.ihub.org.cn/projects/915
- **项目导师**
• 陈刚
- **1. 二值目标检测网络的设计与训练**
项目描述：目标检测作为图像理解中的重要一环，其任务是找出图像中所有感兴趣的目标（物体），确定它们的位置和大小，是深度学习中的重要应用之一。目前有许多优秀的二值神经网络模型，大多都使用的是全精度的网络。但由于PhoneBit框架主要针对二值神经网路进行加速，需要对网络进行二值化处理，并保持一定的精度，以便于部署到移动设备上。
• 项目难度：简单
• 项目社区导师：陈刚
• 导师联系方式：cheng83@mail.sysu.edu.cn
• 合作导师联系方式（选填）：无
• 项目产出要求：
o 训练得到一定精度的二值目标检测网络
• 项目技术要求：
o 机器学习基础
o 神经网络开发及模型训练能力
• 相关的开源软件仓库列表：
o https://github.com/pjreddie/darknet
o https://code.ihub.org.cn/projects/915/repository/PhoneBit
- **2.PhoneBit框架上的二值目标检测模型部署**
• 项目描述：为了减少模型体积，降低计算难度，训练后的模型需要进行压缩和格式转换后，才可部署到PhoneBit框架中。在PhoneBit开源仓库下，提供了一款将.onnx类型的二值分类模型转换为.phonebit类型模型的示例代码。可以参考示例代码，针对二至目标检测模型进行改进及优化，实现模型转换与部署。
• 项目难度：适中
• 项目社区导师：陈刚
• 导师联系方式：cheng83@mail.sysu.edu.cn
• 合作导师联系方式（选填）：无
• 项目产出要求：
o 将训练得到的二值目标检测模型转换为PhoneBit格式
o 使用PhoneBit框架成功进行前向推断
• 项目技术要求：
o 模型数据提取
o 数据的压缩、转换处理
• 相关的开源软件仓库列表：
o https://code.ihub.org.cn/projects/915/repository/PhoneBit
- **3.基于PhoneBit框架上的移动二值目标检测模型应用**
• 项目描述：目前手机的计算能力愈来愈高，已逐步具备进行快速模型部署的能力。PhoneBit框架基于手机GPU进行高度优化，能实现基于手机的快速前向推断。在PhoneBit开源仓库下，提供了二值图像分类网络的Android部署APP示例工程。可以参考示例工程，根据目标检测任务的特性设计APP，实现模型的应用。
• 项目难度：适中
• 项目社区导师：陈刚
• 导师联系方式：cheng83@mail.sysu.edu.cn
• 合作导师联系方式（选填）：无
• 项目产出要求：
o 在Android上使用APP进行快速目标检测
• 项目技术要求：
o Android应用开发能力
• 相关的开源软件仓库列表：
o https://code.ihub.org.cn/projects/915/repository/PhoneBit
**二、实训类项目**
- **实训项目内容编写-心血管疾病预测**
• 项目描述：
• 实训内容主题：心血管疾病预测
• 在分类问题中，分类的目的是从一系列数据中选择出一个分类（如，给出一张包含苹果或橘子的图片，识别出图片中是哪种水果）。本项目采用心血管疾病数据集，数据集提供11个特征值和1个目标值，包含70000个患者记录数据。通过构建一个算法模型，来预测样本是否患有心血管疾病。
• 本实训主要介绍如何实现“心血管疾病预测模型”的开发，通过该实训项目，可以使实训受众了解预测模型的开发。
• 项目难度：适中
• 项目社区导师： 陈亚云
• 导师联系方式： 563880696@qq.com
• 合作导师联系方式（选填）：无
• 项目产出要求：
o 输出基于《心血管疾病预测模型》的实训课件内容
• 项目技术要求：
o 数据清洗
o 数据可视化
o 需熟悉python代码
o 会机器学习算法
• 相关的开源软件仓库列表：
o https://www.kaggle.com/sulianova/cardiovascular-disease-dataset
- **实训项目内容编写-新冠病毒传播预测**
• 项目描述：
• 实训内容主题：预测新冠状病毒的传播
• 新冠状病毒的爆发正在发展成一场重大的国际危机，并开始影响人们的正常生活和国家经济的发展。如果能够预测病毒如何在不同国家和地区传播，建立一个强大的预测模型，有助于缓解风险。这项任务的目标是建立一个预测病毒扩散的模型。
• 本实训主要介绍如何实现“预测新冠状病毒的传播”的开发，通过该实训项目，可以使实训受众了解预测模型的开发。
• 项目难度：适中
• 项目社区导师： 陈亚云
• 导师联系方式： 563880696@qq.com
• 合作导师联系方式（选填）：无
• 项目产出要求：
o 输出基于《预测新冠状病毒的传播》的实训课件内容
• 项目技术要求：
o 数据清洗
o 数据可视化
o 需熟悉python代码
o 会机器学习算法
• 相关的开源软件仓库列表：https://www.kaggle.com/sudalairajkumar/novel-corona-virus-2019-dataset
在不同类型的芯片（GPU/NPU/CPU/FPGA/ASIC等）与AI计算框架之间制定算子接口标准，并提供用于验证接口可行性和代码级别语义规范的AI算子标准开源项目。
原始仓库地址：https://github.com/uavs3/uavs3e.git
原始仓库地址：https://github.com/uavs3/uavs3d.git
OpenI 珊瑚项目是OpenI启智开源社区中，为OpenI章鱼人工智能平台提供面向异构计算设备的通用管理框架开源项目。OpenI珊瑚项目是基于OpenStack社区Cyborg项目的Stein版本为底座，针对OpenI章鱼项目已由实现，专门面向Hadoop/Yarn/Spark生态的异构计算集成的项目。
OpenI纵横 是微众银行AI团队开源的一套联邦学习计算工具集，主要面向联邦学习研究人员。它是为了解决在满足用户数据安全、法律合规条件下的多方数据使用和联合建模。
OpenI纵横简单易用，方便快速实验和迭代算法，它提供了丰富的一站式联邦建模算法组件，满足大多数联邦建模任务。
OpenI纵横提供的核心功能列表：
支持联邦交集计算算法
支持联邦样本采样、联邦特征工程
支持横向和纵向联邦Logistic Regression算法
支持纵向联邦SecureBoost算法
支持同态加密计算
https://www.fedai.org/
OpenI 海参是一套视频编码软件，其中包含了两个基于深度学习的编码工具：基于CNN的环内滤波技术，基于CNN的块级自适应分辨率编码技术。
视频编码技术是数字音频/视频系统中基础的、不可或缺的部分。随着目前视频数据呈爆炸式增长，基于深度学习的视频编码方法应运而生。
OpenI 海参是由中国科学技术大学、北京大学、哈尔滨工业大学和武汉大学四家联合贡献的一套视频编码软件，其中包含了两个基于深度学习的编码工具：基于CNN的环内滤波技术，基于CNN的块级自适应分辨率编码技术。旨在为基于深度学习的视频编码技术提供指导。
项目官网：http://dlvc.bitahub.com/
PARL 是一个基于飞桨（PaddelPaddle）的高性能、灵活的强化学习框架。
原始仓库地址：https://github.com/PaddlePaddle/PARL.git
PaddlePaddle (PArallel Distributed Deep LEarning) 是一个简单易用、高效灵活、可扩展的深度学习平台，最初由百度科学家和工程师共同开发，目的是将深度学习技术应用到百度的众多产品中。
我们的愿景是让每个人都能通过PaddlePaddle接触深度学习。
原始仓库地址：https://github.com/PaddlePaddle/Paddle.git
项目类型
