ITPub博客

来源：Medium作者：Mike Hearn《星际迷航》（Star Trek）中的全息甲板（Holodeck）最引人关注的就是它创造出虚拟“实感”的方式。其次，企业号航空母舰（U.S.S. Enterprise）上的电脑也引人关注。它可以依据简单的提纲来即时生成场景和故事。《星际迷航》中，让人记忆犹新的那几集，往往都是舰上船员们扮演成他们“编写”进电脑中的故事里的人物，当然，船员们表演的“故事”总

2019-08-22 09:51:35虚拟现实视频作为新一代视频类型被越来越多的人所关注，区别于传统视频，其良好的沉浸感和更大的自由度给人带来次世代的视频体验。然而360°沉浸式视频传输所需要的带宽远高于传统视频。现有的视频传输系统缺省认为用户感知360°视频与传统视频相同，这与实际用户观看沉浸式视频的方式严重不符，造成了严重的带宽浪费。北京大学提出了新一代基于沉浸式视频感知质量模型的360°视频

导语：这个模型在跨语言分类任务（15个语言的句子蕴含任务）上比其他模型取得了更好的效果，并且显著提升了有预训练的机器翻译效果。注意力模型，尤其是BERT模型，已经在NLP领域分类和翻译任务上取得了极具前景的结果。Facebook AI在一篇新论文中提出了一个改良版的BERT模型XLM，在以上两个任务上均取得了SOTA结果。XLM用了一个常见的预处理技术BPE（byte pair encoder字节

本文笔者从工作项目实践出发，并结合具体案例分享了人工智能产品设计过程中遇到的一些问题以及具体操作方案，供大家一同参考和学习。对于AI产品一直抱有好奇之心，正好前端时间负责了我厂手机系统AI产品“智慧识屏”的落地，分享一些产品设计中的所思所想，大家轻拍。产品示意图如下（避嫌，用友商），一种无搜索框的搜索功能，用户可以在任何APP（应用）里，通过单指长按目标区域的文本或者图片，来获取所需要的信息或服务

如果你（自认为）是一个程序员（非机器学习），看完本教程后，你将变得与其他只会手工编写程序的程序员不同。这篇文章我们会按照下面的顺序展开：浅层”与 “深度” 的区别准备数据处理数据随机梯度下降算法训练测试一、“浅层”与“深度”的区别：这里我们假设大家对于神经网络的结构都是了解的，于是我们就有一个问题需要引起重视：神经网络是万能的吗？或者说，对于神经网络来说，会不会存在其无法表示的问题？这个问题不是很

前面介绍过BERT，作为一种非常成功的预训练模型，取得了非常不错的成绩，那么，他还有改进的空间吗？本文介绍BERT的改进版，XLnet。看看它用了什么方法，改进了BERT的哪些弱点。作者 | 小Dream哥编辑 | 小Dream哥1 为什么要有XLnet?要理解XLnet，我们先回顾一下先于XLnet的两种表现最好的预训练模型BERT和GPT：1) Generative Pre-Training(

专栏推荐正文现在有一个数据集是美国国会投票的数据，数据集如图所示：数据集第一列为name，表示国会议员的名字，第二列为议员政党R是共和党，D是民主党，I是无党派人士后面的00001，00004表示的是法案的标号，0表示不支持，1表示支持我们现在并不知道这个数据集的一些情况，但是我们可以通过聚类算法来看一下这个数据集有哪些特点我们先来读取这个数据，然后看以下这些数据的均值，和各党派的人数输出的结果为

全文共1925字，预计学习时长4分钟图片来源：unsplash.com/@multamedia你是否对机器学习模型如何工作感到好奇？这些模型内部是如何运作的，它们是否值得信任？本文将全面概述什么是可解释人工智能（XAI），以及为什么需要XAI。读完本文后，你应该能够理解XAI的必要性，并且可以考虑是否需要将其应用到ML项目或产品中去。什么是XAI？可解释人工智能（XAI）是机器学习中一个相当新的领

算法分发是未来之物，它是信息过载时代智能分发的产物；算法分发或也终将成为过去之物，因为下一代技术的发展永远可以突破当代人的想象，就像宋朝人无法想象移动互联网。算法分发、编辑分发、社交分发……在信息时代，人们常常讨论信息分发问题，相关概念也成为大热名词。但事实上，信息资源一直在人类的进化和发展中占据着重要位置。社交分发是最古老的分发方式，编辑分发也比我们想象得更早。而当我们把算法分发置于人类社会信息

2019年全球语音交互市场规模达到13亿美元，预计2025年全球语音交互市场规模将69亿美元，目前以广泛应用到智能家居、车载语音、智能客服等行业和场景。笔者从事语音交互产品一年有余，针对语音交互的概念定义、优劣势、适用场景和产品、未来发展等进行梳理总结。1. 什么是语音交互？语音交互（VUI）指的是人类与设备通过自然语音进行信息的传递。一次完整的语音交互需要经历ASR→NLP→Skill→TTS的

作者&编辑 | 郭冰洋1 简介小伙伴们在利用公共数据集动手搭建图像分类模型时，有没有注意到这样一个问题呢——每个数据集不同类别的样本数目几乎都是一样的。这是因为不同类别的样例数目差异较小，对分类器的性能影响不大，可以在避免其他因素的影响下，充分反映分类模型的性能。反之，如果类别间的样例数目相差过大，会对学习过程造成一定的影响，从而导致分类模型的性能变差。这就是本篇文章将要讨论的类别不平衡问

来源：新智元本文约2300字，建议阅读6分钟。“把学问当成一生的理想”姚班学神开始新的征程！又一名AI方向的年轻华人博士生即将加入美国名校任教。近日，“清华学神”、MIT博士生吴佳俊在Twitter上宣布，他将于2020年加入斯坦福大学担任计算机科学助理教授。吴佳俊在Twitter上说：“很高兴告诉大家，我将于2020年加入斯坦福大学担任计算机科学助理教授！感谢一路上帮助我的每一个人。期待接下来与

作者 | 黄浴转载自知乎【导读】SLAM是“Simultaneous Localization And Mapping”的缩写，可译为同步定位与建图。最早，SLAM 主要用在机器人领域，是为了在没有任何先验知识的情况下，根据传感器数据实时构建周围环境地图，同时根据这个地图推测自身的定位。因此本文以简单清晰的文字为大家介绍了视觉 V-SLAM。简单的V-SLAM介绍，就当入门：）。首先，从双目立体几

你知道PyTorch Hub吗？这个Facebook的深度学习模型库，一问世就引发了巨大关注。因为它太强了：ResNet、BERT、GPT、VGG、PGAN、MobileNet等深度学习领域的经典模型，只需输入一行代码，就能一键调用。不过，人工智能领域，这样的模型库不仅仅只有PyTorch Hub一个，还有其他4个（来自@爱可可-爱生活）：TensorFlow Hub、TensorFlow Mod

作者 | Jason Brownlee译者 | Freesia，Rachel编辑 | 夕颜出品 | AI科技大本营（ID: rgznai100）【导读】图像到图像的转换技术一般需要大量的成对数据，然而要收集这些数据异常耗时耗力。因此本文主要介绍了无需成对示例便能实现图像转换的 CycleGAN 图像转换技术。文章分为五部分，分别概述了：图像转换的问题；CycleGAN 的非成对图像转换原理；Cyc

导语：这个模型在跨语言分类任务（15个语言的句子蕴含任务）上比其他模型取得了更好的效果，并且显著提升了有预训练的机器翻译效果。注意力模型，尤其是BERT模型，已经在NLP领域分类和翻译任务上取得了极具前景的结果。Facebook AI在一篇新论文中提出了一个改良版的BERT模型XLM，在以上两个任务上均取得了SOTA结果。XLM用了一个常见的预处理技术BPE（byte pair encoder字节

机器之心发布作者：Zhaocheng Zhu等在本文中，来自加拿大 Mila 研究所唐建课题组的研究人员提出了一种图上高性能的嵌入训练系统——GraphVite，训练百万级别的节点嵌入只需 1 分钟左右，比现有实现快 50 倍以上。该系统最大可处理二十亿边的图，是目前速度最快、规模最大的单机图嵌入系统。图是一种通用、灵活的数据结构，可以用来编码不同对象之间的关系，并且在现实世界中非常普遍，如社交网

机器之心报道参与：李亚洲、杜伟在 PyTorch 上，你可以像调用卷积一样调用 Transformer 了。PyTorch 作为 Facebook 开发和维护的一个开源框架，近来的发展势头相当强劲。自 2017 年初首发以来，PyTorch 灵活、动态的编程环境及对用户友好的界面使其非常适用于快速实验，因此在社区内迅速发展壮大。2018 年 12 月，PyTorch 1.0 正式版发布，解决了包括

IJCAI 2019 将于 8 月 10 日至 16 日在中国澳门隆重召开，本届大会共收到 4752 篇有效提交论文，收录 850 篇，接收率为 17.9%。据机器之心了解，阿里文娱摩酷实验室共有 5 篇论文被接收。本文对其中一篇论文《Multi-View Multi-Label Learning with View-Specific Information Extraction》进行解读。该论文

机器之心原创作者：朱梓豪编辑：Qing Lin如果说 2019 年机器学习领域什么方向最火，那么必然有图神经网络的一席之地。其实早在很多年前，图神经网络就以图嵌入、图表示学习、网络嵌入等别名呈现出来，其实所有的这些方法本质上都是作用在图上的机器学习。本文将根据近两年的综述对图网络方法做一个总结，为初入图世界的读者提供一个总体的概览。本文作者朱梓豪为中科院信工所在读硕士，主要研究方向为图神经网络、视