又到周末。
歇息之余，為年夜家送上曩昔一周激發(fā) AI 開辟者圈子存眷的那些事兒。年夜伙兒泡杯茶，坐在搖椅上，一路來看看在專一任務(wù)的這個禮拜，里面的世界又有哪些變更。
█ 微軟提議 Minecraft AI 挑釁賽
本周，基于 Minecraft 上的著名 AI 技巧研討測試平臺 Project Malmo，微軟提議了一項 AI 協(xié)作挑釁賽：The Malmo Collaborative AI Challenge，今朝曾經(jīng)開端注冊報名。
競賽請求每支參賽部隊（最多 3 名隊員）開辟并練習一個 AI 軟件產(chǎn)物。然后經(jīng)由過程該軟件產(chǎn)物加入一個名為 Pig Chase （小豬快跑）的小游戲。該游戲在 Minecraft 情況中睜開，每局游戲有兩名參賽者，一方為參賽部隊開辟的 AI 軟件產(chǎn)物，另外一方為體系隨機分派的隊友，有能夠是人類選手，也有能夠是另外一個部隊開辟的 AI 軟件。游戲一開端，參賽兩邊都有 25 分的原始積分，競賽請求兩邊在 25 步以內(nèi)將一只小豬捉住，每走一步會減失落 1 分，終究捉住小豬兩邊各得 25 分，每輪競賽 10 局，終究累計得分高者獲勝。
今朝，關(guān)于 Pig Chase 的樣例代碼和具體解釋曾經(jīng)地下在 GitHub 上：
█ Keras 2 宣布，無縫支撐 TensorFlow
在本次版本更新中，最主要的一項內(nèi)容就是加強了 Keras 與 TensorFlow 的邏輯分歧性。依照 Keras 在博客中的說法：“這是將 Keras API 整合到 TensorFlow 焦點的一個主要的預(yù)備步調(diào)”。
現(xiàn)實上，從 2015 年 12 月的版本開端，Keras 就曾經(jīng)支撐用戶將 TensorFlow 作為運轉(zhuǎn)后端（runtime backend），但此前，Keras 的 API 與 TensorFlow 的代碼庫尚處于互相隔離的狀況。將來，從 TensorFlow 1.2 版本開端，Keras 2 API 將作為 TensorFlow 框架的一部門直接向用戶供給支撐，Keras 在博客中表現(xiàn)：“這是 TensorFlow 完成下一個百萬用戶級目的的癥結(jié)”。
█ 谷歌進級語義懂得框架 SyntaxNet
這是 SyntaxNet 自出生以來的最嚴重進級。這樹立在谷歌對各說話的語義懂得研討基本之上。此次進級的焦點是一項新技巧：能對輸出語句的多層表現(xiàn)停止很好的進修。詳細來說，它延長了 TensorFlow，能對多層說話構(gòu)造停止分解建模，還可以或許在語句或文件處置進程中，靜態(tài)地生成神經(jīng)收集架構(gòu)。
谷歌同時宣布了新的預(yù)練習過的模子 ParseySaurus。它應(yīng)用了基于字母的輸出表現(xiàn)，是以極年夜晉升了猜測新詞語寄義的才能。這是基于兩個方面來完成：辭匯的拼寫和在語境中的應(yīng)用方法。雷鋒網(wǎng)懂得到，ParseySaurus 的精確率遠遠超越 Parsey's Cousins，毛病率下降了 25%。因為說話的形狀特征和其他屬性，新模子在俄語、土耳其語、匈牙利語上的后果特別好——這些說話中，統(tǒng)一個辭匯有多種分歧形狀，個中很多形狀從未在練習階段涌現(xiàn)過（即使是年夜型語料庫）。
█ Cloudera 宣布自助式數(shù)據(jù)開辟對象
在圣何塞舉辦的 Strata+Hadoop World 年夜會上，美國年夜數(shù)據(jù)辦事商 Cloudera 宣布了 Cloudera Data Science Workbench —— 一個運轉(zhuǎn)于 Cloudera Enterprise，自助式的數(shù)據(jù)迷信開辟情況。今朝該全新研發(fā)的軟件尚在 beta 內(nèi)測階段。
其相干技巧來自于 Cloudera 客歲收買的數(shù)據(jù)迷信始創(chuàng)公司 Sense.io。該產(chǎn)物的最年夜特色是原生支撐 Apache Spark、Hadoop 和 R、Python、Scala 等開辟說話。 開辟者能在 Cloudera 的企業(yè)平臺上同時應(yīng)用這些對象和說話，這將加快數(shù)據(jù)剖析項目從研發(fā)到終究產(chǎn)物的進程。
推舉深度瀏覽
█ 用數(shù)聽說話：把自攝影釀成畢加索名畫 哪一種算法最高效？
有位本國開辟者依據(jù) fast.ai 平臺開設(shè)的深度進修代碼理論課程，親手完成了一個照片作風轉(zhuǎn)換器，并對幾種罕見的優(yōu)化算法的機能停止了綜合比較，終究以圖表加博客的方法記載上去。
作者比擬了基于 CNN 的六種優(yōu)化算法：梯度降低、Adadel、RMSProp、Adam、L-BFGS 和 Adagrad。
