大数据文摘作品
编译 | 宁云州
呜啦啦啦啦啦大家好呀,又到了本周的AI大事件时间了。过去的一周中AI圈都发生了什么?大佬们互撕了哪些问题?研究者们发布了哪些值得一读的论文?又有哪些开源的代码和数据库可以使用了?文摘菌带你盘点过去一周AI大事件!
新算法打开深度学习的黑箱
来源:WWW.QUANTAMAGAZINE.ORG
链接:https://www.quantamagazine.org/new-theory-cracks-open-the-black-box-of-deep-learning-20170921/
一个被称为“信息瓶颈”的新概念有助于解释当今深度学习算法的成功——也可能解释人脑如何学习的(虽然人类脑子里是怎样思维的谁也不敢定论)。
“人工智能危机远远没达到启示录的地步”——谷歌人工智能主管
来源:TECHCRUNCH.COM
链接:https://techcrunch.com/2017/09/19/googles-ai-chief-thinks-reports-of-the-ai-apocalypse-are-greatly-exaggerated/
John Giannandrea在TechCrunch 的Disrupt SF大会上发表了他对人工智能的看法,特别是,他认为现在人们太害怕一般民用的人工智能了。
谷歌的计算引擎鸟枪换炮用上了更快的GPU
来源:CLOUDPLATFORM.GOOGLEBLOG.COM
链接:https://cloudplatform.googleblog.com/2017/09/introducing-faster-GPUs-for-Google-Compute-Engine.html
NVIDIA在谷歌的云平台上公开测设了P100型号的GPU并使其性能得到了提升,NVIDIA的K80型号GPU现在在GCE上已经能够购买了,顾客也能在K80和即将推出的P100型号的GPU上享受到“持续使用”的优惠。
基于Python的亚马逊AWS深度学习AMI
来源:WWW.PYIMAGESEARCH.COM
链接:https://www.pyimagesearch.com/2017/09/20/pre-configured-amazon-aws-deep-learning-ami-with-python/
这个在Ubuntu VirtualBox虚拟机包括了所有你需要的深度学习和计算机视觉库(如HTTP,TensorFlow,scikit learn,OpenCV,scikit-image等等),而且都是提前配置好的。
自然语言处理中的多任务学习目标
来源:RUDER.IO
链接:http://ruder.io/multi-task-learning-nlp/
多任务学习(MTL: )可以通过利用一个相关任务提高模型性能。多任务学习包括两个主要部分:(1)用于学习的体系结构和(2)联合训练的辅助任务。
AI把UI设计变成了写代码
来源:NEWS.DEVELOPER.NVIDIA.COM
链接:https://news.developer.nvidia.com/ai-turns-ui-designs-into-code/
一个哥本哈根的创业公司UIzard Technologies训练了一个神经网络来通过一个图形化用户界面的截图来生成代码。
机器学习统一代理
来源:BLOGS.UNITY3D.COM
链接:https://blogs.unity3d.com/cn/2017/09/19/introducing-unity-machine-learning-agents/
ML-Agents SDK允许研究者和开发者使用Unity Editor把游戏和模拟创建在一个环境中,在这个环境中,代理可以通过一个Python API进行深度强化学习、进化策略或其他机器学习方法的训练。
Serpent.AI
来源:GITHUB.COM
链接:https://github.com/SerpentAI/SerpentAI
serpent.ai是一个以帮助开发人员创建游戏代理的框架。它可以帮助你把你拥有的任何视频游戏转换成沙箱环境进行实验,基于Python。
Facebook 人工智能研究Sequence-to-Sequence工具包
来源:GITHUB.COM
链接:https://github.com/facebookresearch/fairseq-py
该工具包实现了卷积序列到序列学习描述的全卷积模型,并在一台机器上进行多GPU训练,以及在CPU和GPU上快速搜索波束生成。基于PyTorch。
Matterport研究数据集
来源:HACKERNOON.COM
链接:https://hackernoon.com/announcing-the-matterport3d-research-dataset-815cae932939?gi=26a405265d10
该数据集通过19440张图片(RGB+depth)生成了10800个校准的三维全景图(RGB +depth per pixel)。所有图片都是由Matterport Pro 3D拍摄的。
深度学习的可重复性
来源:ARXIV.ORG
链接:https://arxiv.org/abs/1709.06560
这篇文章调查了可重复性、适当的实验技术和报告流程带来的挑战。作者总结了深度学习的各种可变性和稳定性,并为提高深度学习的可重复性提出了健身性的建议。
基于强化学习的神经优化搜索
来源:ARXIV.ORG
链接:https://arxiv.org/abs/1709.06560
这篇文章提出了一种自动发现优化方法的过程,重点是深度学习的体系结构。作者训练了一个递归神经网络控制器来生成一个域特定语言中的字符串,该字符串描述一个基于原始函数列表的数学更新方程,如梯度、梯度平均值等。
不确定贝尔曼方程及其探索
来源:ARXIV.ORG
链接:https://arxiv.org/abs/1709.06560
本文认为,不确定性贝尔曼方程(UBE:uncertainty Bellman equation)连接了任意时间步长的不确定性和随后时间步长的预期不确定性,从而在个人时间步长的基础上提高了潜在搜索效益。使用UBE搜索策略替代ϵ-greedy在Atari套件上提升了DQN的性能。
回复“志愿者”加入我们
点击图片阅读