人工智能的深度学习框架(一种面向深度学习的)
人工智能的深度学习框架(一种面向深度学习的)目前,很多传媒机构虽已建立“播控中央厨房”式的融媒平台级播出信息中心,然而对由播控系统倒推的制播、传输、移动新媒体方面的全台网组织架构、业务流程还不能与之完全匹配;电视播控平台现状深度学习和机器学习均来自于人类对计算机科学、人工智能、认知脑科学、认知心理学及认知神经科学等方面的有益探索,它采取模拟人脑神经网络的一些工作机制来运用于媒体表征的视频、音频和文字。深度学习借助算法识别和发现低端特征并加以综合,产生更为抽象的高端特征属性,来发现数据识别的分布式规律。深度学习因为接近计算机科学理论和离散数学图论理论故必须引入计算机科学图论知识来作简要阐述。图1 深度学习层次模型
作者 |江苏省广播电视总台 陈素芹
订阅 | 010-86092062
随着计算机IP网络技术、软件工程技术及微电子芯片技术工艺的不断迅猛发展,各行各业包括传媒产业已逐步开启人工智能与机器学习时代。在机器学习、深度学习、云计算、大数据等智能技术的不断引领下,智慧感知与智慧认知的智慧广电行业将另辟蹊径,呈现出从采集到编播监流程一系列更大的发展变革,加快电视“云播大脑”的融媒事业建设力度。
什么是深度学习
深度学习和机器学习均来自于人类对计算机科学、人工智能、认知脑科学、认知心理学及认知神经科学等方面的有益探索,它采取模拟人脑神经网络的一些工作机制来运用于媒体表征的视频、音频和文字。
深度学习借助算法识别和发现低端特征并加以综合,产生更为抽象的高端特征属性,来发现数据识别的分布式规律。深度学习因为接近计算机科学理论和离散数学图论理论故必须引入计算机科学图论知识来作简要阐述。
图1 深度学习层次模型
电视播控平台现状
目前,很多传媒机构虽已建立“播控中央厨房”式的融媒平台级播出信息中心,然而对由播控系统倒推的制播、传输、移动新媒体方面的全台网组织架构、业务流程还不能与之完全匹配;
业务技术层面,传统媒体还停留在运用大量的广电专业核心设备、调度矩阵、周边设备、SDI视频线路、录像机等来维持现有系统的运转,一般监控平台常常可能会漏掉重大或关键的播出异常事件,而对冗余或无用的设备状态信息进行着反复的播报;监控监测方面,如何更好地将现有数字系统转变成具有智慧感知的知识认知系统,来第一时间识别故障或异常事件的发生或者日志隐患的提取表达?
这些就需要引入媒体软件工程、敏捷智能工程技术来进行节目生产流程的重组、节目知识数据可视化的展现、节目基于OpenGL/OpenCV在包装渲染中的应用、节目异常图帧特征码的人工智慧侦测等等范畴,都是传统媒体技术管理部门逐渐重视并需要解决的课题。
主流深度学习网络框架
1、Tensorflow
TensorFlow是一种端到端的开源软件库机器学习平台。TensorFlow最初由谷歌公司开发,用于谷歌相关技术的研究和开发,于2015年11月在开源Apache2.0许可证下发布。TensorFlow是一种运用数据流图(DFG)进行数值计算的开源软件框架库,是目前最流行的深度学习框架之一,其本质也是一套基于数据流编程的符号数学系统。
2、Caffe
Caffe是一种快速特征嵌入的卷积神经网络框架结构,在BSD认证之下实现开源,内核采用C 编码,附带Python接口。它也是一种开源盛行、性能较高的深度学习框架平台。Caffe是一种模块化构架设计,可完成对新的数据结构、网络层和损失函数进行轻量拓展。
“云播大脑”智慧感知系统应用
电视播控数据中心正致力于实现“云播大脑”计划,即努力地将现实世界的专业设备物理资源几乎百分之百地映射至以微服务架构为核心的软件虚拟化网络世界中去以便可监可控。且“云播大脑”将由过去被动式抢修型面向全播出智能系统的预监、预(前)播、预防、预测等知识场景功能作迭代迁移。
1. 建构非结构化分布式数据库系统
这是播控数据中心建构云上智慧弹性架构的基础中的基础,将所有的专业物理设备、非结构化图像语音数据元数据信息、非专业设备、路由(跳线)信息、IT(交换、存储、算力)信息、资产成本信息、地理分布信息,总之将所有涉及播控的全方位资源信息以非结构化数据库和数据仓库形式重新安排分布式存储和计算,设计有关图灵测试项目,以更好地与深度监督学习系统进行良性对接。
2. 建立专家知识库系统
形成的播控大数据需借助数据挖掘算法、统计学、计算机科学等交叉学科进行知识规则的数学模型建模,数据分类与聚类、数据清洗、线性回归、关联规则、可视化分析,从而获得推理知识,逐步建构播控专家知识库。
3.建立可视化知识图谱资管平台
运用能兼容AUTOCAD/VISIO的智能辅助设计系统,可将有关专家知识库平台导出成专家知识图谱,实时编辑和监看中心系统拓扑运行信息(节点/流程/信号/文件)、设备在线/下线状态信息,地理分布信息,图纸拼接信息,智能资产配置信息,与人力资源绩效关联的成本核算信息,播出统计信息等,并以相关可视化图形展现。并能运用基于H5的手机/平板/电脑客户端APP(或小程序)远程登录和实时掌握业务进展、组网节点、信号质量、统计数据等资源可视化表达。
4.建立中心智慧节能减排系统
运用深度学习中的增强学习算法来提升人工智能管控中心基础设施的水平。将数据中心实时运行的基础设施数据反馈给增强算法,系统经自我学习并确认哪一种制冷精密空调配置能耗消耗最优。系统也能聪明地将各类设施CPU/GPU等芯片级大耗能区块进行精准计算,给机房能源成本的全面降低带来重大价值。
“云播大脑”技术要点统应用
5.1可编程非压缩视频流四选一智能静净切
IP数据包检测与倒换机制。具有可编程预置无压缩IP流倒换优先级,1~4路输入IP流采用自动检测倒换机制,包括报警的自动切换、手动切换和GPI控制倒换。
①同基带嵌入式SDI传输;“云播大脑”智慧感知系统通过设置接收组播IP地址(端口号)从IP流交换机中获取需要检测的无压缩IP信号,接收到的是经封装的一个个数据包,数据包中包含网络协议信息和视音频数据信息;
②在IP网链路内先根据SMPTE2110-50(2022-6)标准对IP数据包格式进行IP解封装、前向纠错解包、修正数据检验、文件串行化,以对基带信号处置后获取有关信号数据。此数据信息即为要检测的SDI数据;
③“云播大脑”智慧感知系统再根据差分串行SMPTE259M标准将SDI信号数据化,建立媒体数据段,依据SMPTE2110建立数据块文件和FEC编码数据块,最终将这两者数据块封装成IP包进行输出。
④“云播大脑”智慧感知系统将告警信息发送到SDN集控平台,由软件定义网络方式进行数据图形化可视化展现。
5.2微服务架构
微服务架构是一种软件架构,它是将广电各类专业设备或服务软件化、模块化后,以专项的小型功能区域块为根基,采用模块化方法组合成繁杂的大型应用软件,而各功能区域块采用与程序语言无关的API集作交互通讯。微服务自身也拥有进程处理,轻量化、全自动地部署,采用最小化容器的集中管控方式,与相关服务开展HTTPAPI通讯。
5.3播控学习数据集的建立
在完成了电视播出主系统、备份系统对故障事件实现平稳智能地切换模式后,下一步就是要对故障模型采集数据集了。模型的输入部分是各种故障隐患或故障发生事件,输出就是人们所期待的相关智能判断、切换处理。数据集的采集规模应该尽可能地多多益善,并包括其中的任务特征,这样就可以培养出精准的故障研判模型。
结论
随着国家广播电视总局关于“智慧广电”的提出,以及中央广播电视总台“AI 8K 5G”制播模式的正式推出,也是向广大城市电视台吹响了智慧电视、融媒智播的号角,台网互动、融媒智播的步伐也会不断提速。必须深刻认识到以云计算(虚拟化)、大数据、人工智能、机器学习为新一轮广电科学技术在推动融媒智播战略中所起到的关键性作用,以及运用这些关键性技术方能让传统广电焕发出新一代的技术生态生命力。
END