AI大事件 | 谷歌发布Cloud AutoML，PyTorch2017年总结，巨大神经网络适应内存方法

Amazon Go开设计算机视觉驱动线下店

来源：WWW.NYTIMES.COM

亚马逊将于周一在西雅图市中心开设一家便利店，将会使用多种技术力图使购物体验变得无与伦比，包括不需要排队结账。

Google发布用于计算机视觉的Cloud AutoML

来源：WWW.BLOG.GOOGLE 

Cloud AutoML是一种服务，通过使用拖放界面上传图像并训练和管理模型，可以更轻松地创建用于图像识别的自定义ML模型。

Pony.ai启动新一轮融资发展自动驾驶技术

来源：TECHCRUNCH.COM

链接：

https://techcrunch.com/2018/01/15/one-year-old-pony-ai-raises-112-million-series-a-to-build-autonomous-car-future/?utm_campaign=Revue%20newsletter&utm_medium=Newsletter&utm_source=The%20Wild%20Week%20in%20AI

这轮融资由Morningside Venture Capital和Legend Capital牵头，这两方都是以中国为主的早期风险投资基金。网站上提供的关于Pony.ai的信息很少，但我们发现其使命是“建立最安全，最可靠的自动驾驶技术”。

深度学习可能永远无法创建一个通用的AI

来源：WWW.WIRED.CO.UK 

链接：

http://www.wired.co.uk/article/deep-learning-automl-cloud-gary-marcus?utm_campaign=Revue%20newsletter&utm_medium=Newsletter&utm_source=The%20Wild%20Week%20in%20AI

人工智能和深度学习受到了大量的炒作。加里·马库斯（Gary Marcus）在一篇新论文中称，深度学习存在着“非理性繁荣”。

规范化流程教学

来源：BLOG.EVJANG.COM

链接：

http://blog.evjang.com/2018/01/nf1.html?utm_campaign=Revue%20newsletter&utm_medium=Newsletter&utm_source=The%20Wild%20Week%20in%20AI

规范化流程可以将简单的密度（如高斯）转换为丰富的复合分布，可用于生成模型，RL和变分推理等。

不对称多智能体游戏的游戏理论研究

来源：DEEPMIND.COM

链接：

https://deepmind.com/blog/game-theory-insights-asymmetric-multi-agent-games/?utm_campaign=Revue%20newsletter&utm_medium=Newsletter&utm_source=The%20Wild%20Week%20in%20AI

这篇文章对两人不对称博弈的游戏提供了新的理论见解和分析，包括 Leduc poker和各种棋盘游戏如Scotland Yard。

手把手教你一步步部署深度学习模型

来源：THEHIVE.AI

链接：

https://thehive.ai/blog/simple-ml-serving?utm_campaign=Revue%20newsletter&utm_medium=Newsletter&utm_source=The%20Wild%20Week%20in%20AI

这篇文章将教你快速地部署一个训练有素的机器学习模型。

PyTorch的一年

来源：PYTORCH.ORG

链接：

http://pytorch.org/2018/01/19/a-year-in.html?utm_campaign=Revue%20newsletter&utm_medium=Newsletter&utm_source=The%20Wild%20Week%20in%20AI

这篇文章对PyTorch在去年的发展做了总结，包括一些新闻和社区中的热点。

让巨大的神经网络适应内存（OpenAI）

来源：GITHUB.COM

链接：

https://github.com/openai/gradient-checkpointing?utm_campaign=Revue%20newsletter&utm_medium=Newsletter&utm_source=The%20Wild%20Week%20in%20AI

训练深度更高的神经网络需要大量的内存。使用这个包中的工具，你可以通过计算来平衡一些内存，使你的模型更容易适应内存。

深度神经进化实现（Uber）

来源：GITHUB.COM

链接：

https://github.com/uber-common/deep-neuroevolution?utm_campaign=Revue%20newsletter&utm_medium=Newsletter&utm_source=The%20Wild%20Week%20in%20AI

这篇文章提供了关于最近Deep Neurevolution论文的官方实现（参见存储库了解详细信息）。

用于Pytorch的Tensorboard

来源：GITHUB.COM 

链接：

https://github.com/lanpa/tensorboard-pytorch?utm_campaign=Revue%20newsletter&utm_medium=Newsletter&utm_source=The%20Wild%20Week%20in%20AI

Tensorboard是一个Tensorflow专用的监控模型培训的工具。这个库允许你通过一个简单的函数调用来把事件写到Tensorboard，这也同时意味着你可以在其他库中使用它。

对R-CNN更快的PyTroch实现

来源：GITHUB.COM

链接：

https://github.com/jwyang/faster-rcnn.pytorch?utm_campaign=Revue%20newsletter&utm_medium=Newsletter&utm_source=The%20Wild%20Week%20in%20AI：

这个项目是对更快的R-CNN更快的PyTorch实现，目标是提高R-CNN物体识别模型的训练速度。

天赋，AlphaZero和人工智能

来源：ARXIV.ORG

链接：

https://arxiv.org/abs/1801.05667?utm_campaign=Revue%20newsletter&utm_medium=Newsletter&utm_source=The%20Wild%20Week%20in%20AI

人工智能的背景下，“天赋”这一概念很少被讨论。在本文中，作者认为最近一系列有关AlphaGo的文章似乎在证明“即使在最具挑战性的领域，在完全没有先验知识和可以借鉴的例子及指导的情况下，将机器训练到超人的水平也是可能的”。但作者认为，这些说法被夸大了，人工智能需要更多地关注天赋。

用于文本分类的精调语言模型

来源：ARXIV.ORG

链接：

https://arxiv.org/abs/1801.06146?utm_campaign=Revue%20newsletter&utm_medium=Newsletter&utm_source=The%20Wild%20Week%20in%20AI

作者提出了精细调整语言模型（FitLaM），这是一种有效的转换学习方法，可以应用于NLP中的各种任务，并且引入了精细调整最新语言模型的关键技术。该方法的效率超过了五个文本分类任务的最新技术，减少了18-24％的错误率。作者开放了预训练模型的源码。

计算机能进行艺术创作吗

来源：ARXIV.ORG

链接：

https://arxiv.org/abs/1801.04486?utm_campaign=Revue%20newsletter&utm_medium=Newsletter&utm_source=The%20Wild%20Week%20in%20AI

本文讨论了使用人工智能的计算机是否可以创造艺术。 第一部分主要讨论了基于AI的辅助艺术创作的工具。涵盖了包括摄影和动画在内等艺术自动化方面的技术历史。可以发现关于新技术的实践最初都伴随着恐惧和否认，一段时间后才会被接受，并为艺术家提供新的创造性和专业机会。 接着讨论了人工智能（AI）工具在艺术制作中的现实情况和乱象，以及AI工具使用的预测。 第二部分则涉及可以构思艺术品的AI系统，这些系统已经开始以艺术品作者的身份出现。

深度学习：应用数学介绍

来源：ARXIV.ORG

链接：

https://arxiv.org/abs/1801.05894v1?utm_campaign=Revue%20newsletter&utm_medium=Newsletter&utm_source=The%20Wild%20Week%20in%20AI

本文简要从应用数学的角度介绍了深度学习的基本思想。

【今日机器学习概念】

Have a Great Defination

回复“志愿者”加入我们