ITPub博客

如今人工智能发展火热，机器学习预见成熟，智能化未来似乎指日可待。表面上似乎一切都在按部就班的进行，但背后也不乏暴露出很多问题。就像近期人工智能威胁论就引发了不少的言论激战，揪其根源还是人工智能是否能够有意识违背人类意愿操控事务的问题。

Toby Walsh是澳大利亚新南威尔士大学（CSIRO）的教授，Data61 (CSIRO)研究小组组长，人工智能方面的专家。Walsh教授在悉尼首席信息官峰会上发表主题演讲时说道：CIO（首席信息官）们其实不需要担心人工智能会对未来造成威胁，我们距离生产出与人类大脑高度匹配的机器人还有很远的路程。

简单起见，本文在示例中使用tf.metrics.accuracy()，但它的模式以及它背后的原理将适用于所有评估指标。如果您只想看到有关如何使用tf.metrics的示例代码，请跳转到5.1和5.2节，如果您想要了解为何使用这种方式，请继续阅读

近年来，随着深度学习算法的逐步成熟，AI技术分支越发增多，现在让我们细数AI技术，看看领占主导地位的19种AI技术都有哪些！

自然语言处理（NLP）在今天已经变得越来越流行，尤其是在深度学习迅猛发展的大背景下变得更加引人注目。NLP属于人工智能的一个领域，旨在理解文本和从中提取重要信息，并在文本数据上做进一步的训练。NLP的主要任务包括了语音识别和生成，文本分析，情感分析，机器翻译等。

前些日子谷歌刚刚发布完TensorFlow1.9，并带来了一大批的性能更新。近日消息，TensorFlow2.0预计将在今年年末推出首个测试版。TensorFlow1.9的热风刚过，大家又将期待的目光锁定在TensorFlow2.0。这里是一些TensorFlow2.0的预计性能更新。

分享一下汽车之家数据库服务化平台从0到1的实践过程。详细介绍平台的整体架构，技术栈以及各系统模块的工程化实现方案。希望给正在做数据库自动化，平台化的同学一些借鉴和启发。

训练模型时，需要使用变量(Variables)保存和更新参数。Variables是包含张量(tensor)的内存缓冲。变量必须要先被初始化(initialize)，而且可以在训练时和训练后保存(save)到磁盘中。之后可以再恢复(restore)保存的变量值来训练和测试模型。

研究结果：按照《神经网络》期刊的统计，在过去3年来，只有1/6的文章中做到了上述两点。也就是说，在独立于训练样本之外的测试集上进行了开集测试，并与其它广泛采用的方法进行了对比。

前些天我参加了7 月24 日在美国旧金山举行的Google Cloud Next 2018 大会，其中的一个演讲( What’s New with TensorFlow?)，让我耳目一新，印象深刻。 于是于是今天早上呢，我总结了这段讲话里我最喜欢的几个点。

数据蜂巢平台是京东物流自主研发的分布式、高性能、高可用、支持异构，离线和实时的大数据同步与管理平台。关键技术：HA;离线与实时同步整合；binlog采集,存储与订阅；客户端并发消费；一致性校验与修复；任务隔离。

中国银联分布式中间件UPSQL Proxy负责人，从事开源数据库MySQL的研发工作，主要关注分布式事务、SQL优化等。

人工智能正值发展热头，为了开发和部署人工智能应用程序，涌现出了很多机器学习框架。这些框架直接跨越开发、测试、优化和生产等流程，为开发人员提供了一个很好的研发捷径。有的框架注重自身的可用性，有的框架侧重于生产部署和参数优化，它们都有各自的优缺点，这也增加了研发人员选择的难度。

TensorFlow 中的layers 模块提供了高级API，使我们能轻易创建出神经网络。包括全连接层，卷积层，激活函数，dropout regularization。在本文中，将构建CNN网络来进行手写数字识别。

多年来，编写可以创建程序的软件一直是人工智能（AI）研究的难以实现的目标。事实上，AI agents 可以创建自己的程序，如果通常看起来像是一般人工智能与狭义人工智能的区别之一。

我们（TensorFlow官方）想告诉你一个名为“AutoGraph”的新TensorFlow功能。 AutoGraph将Python代码（包括控制流，print（）和其他Python原生特征）转换为纯TensorFlow图形代码。

8月15日消息，据GamesBeat报道，英伟达表示，随着英伟达图灵图形处理单元(GPU)架构的推出，该公司“重新发明了计算机图形学”。该架构将成为未来一系列图形芯片的基础，这些芯片将专注于实时光线追踪，或高度真实、物理精确的图形。

谈及人工智能，就会涉及到人工神经网络。人工神经网络是现代人工智能的重要分支，它是一个为人工智能提供动力，可以模仿动物神经网络行为特征，进行分布式并行信息处理的系统。

眼下，怕是互联网最纠结的时刻，智能手机带来的人口红利将近，仿佛人们日常生活中该有的应用已经全被开发出来，人们似乎已经失去了尝鲜的动力。正值这样的尴尬期，一个具有变革性作用的新技术出现了，该技术刚刚起步就被赋予巨大期望，并出现在最新的年度趋势报告中，它就是——语音技术。

有人说来自语言的数据是“非结构化数据”，事实证明这是一个错误的说法。如果没有特定的语言结构，人们可能无法用语音或者书面语言进行正确交流。语法是语言的结构，它有助于定义语言的含义。大家学习任何一门语言，都要学习该门语言的语法结构。要想推动计算机的快速发展，就要摆脱传统处理计算机的思维，推陈出新，理解自然语言的结构。