-
编辑 删除
TensorFlow发布重要更新AutoGraph
选自Medium，作者：Alex Wiltschko、Dan Moldovan、Wolff Dobson，机器之心编辑部。 一般而言，在写 TensorFlow 代码时，我们需要构建整个算法的计算图，或者规划所有数据流的计算过程，然后再投入数据并快速执行整个或局部计算图。当然因…
-
编辑 删除
谷歌AI脑神经元绘制法上Nature子刊：速度提升一个数量级
选自Google.AI，作者：Viren Jain、Michal Januszewski，机器之心编译。 连接组学旨在综合描绘在神经系统中发现的神经网络结构，以更好地理解大脑的运作模式。这一过程需要对大脑组织进行纳米级的 3D 成像（通常使用电子显微镜），然后分析成像数据结果以…
-
编辑 删除
Spring Boot Admin 2.0开箱体验
在我之前的 《Spring Boot应用监控实战》 一文中，讲述了如何利用 Spring Boot Admin 1.5.X 版本来可视化地监控 Spring Boot 应用。说时迟，那时快，现在 Spring Boot Admin 都更新到 2.0 版本了，并且可以对当下热门的…
-
编辑 删除
Yann LeCun：学习世界模型，通向AI的下一步
机器之心整理。 Yann LeCun 开场介绍说，当前几乎所有的机器学习从业者在实践中使用的都是监督式学习：向机器展示大量的样本，然后告诉机器正确的答案与内部参数，然后就能做图像识别之类的任务。而过去几年，监督式学习有了极大的成功，应用也非常广泛。下图对比了传统机器学习与深度学…
-
编辑 删除
face-api.js：在浏览器中进行人脸识别的JS接口
选自IT Next，作者：Vincent Mühler，机器之心编译，参与：Geek AI、张倩。 号外！号外！现在人们终于可以在浏览器中进行人脸识别了！本文将为大家介绍「face-api.js」，这是一个建立在「tensorflow.js」内核上的 javascript 模块…
-
编辑 删除
SIGIR2018大会最佳短论文：利用对抗学习的跨域正则化
选自arXiv，作者：Daniel Cohen等，机器之心编译。 近期学界有多个神经排序模型被提出，这些模型通过考虑原始查询-文档文本（query-document text）[14]、基于确切的查询词项匹配文档的模式 [5]，或结合二者 [10] 来估计文档与查询之间的相关性…
-
编辑 删除
比Python快100倍，利用Cython实现高速NLP项目
选自Medium，作者：Thomas Wolf，机器之心编译。 去年我们发布 Python 包 coreference resolution package 后，我们收到了来自社区的精彩反馈，并且人们开始在很多应用中使用它，其中一些与我们原来的对话用例迥异。 我们发现，尽管对话…
-
编辑 删除
一文简述深度学习优化方法——梯度下降
选自Paperspace，作者：Ayoosh Kathuria，机器之心编译。 从很大程度上来说，深度学习实际上是在解决大量烦人的优化问题。神经网络仅仅是一个非常复杂的函数，包含数百万个参数，这些参数代表的是一个问题的数学解答。以图像分类为例，AlexNet 就是一个数学函数，…
-
编辑 删除
卷积神经网络「失陷」，CoordConv 来填坑
选自Uber，作者：Rosanne Liu等，机器之心编译。 Uber 利用卷积神经网络解决许多方面的问题，其中就包括坐标变换。从自动驾驶汽车的设计到路标的自动检测、再到地图的绘制，Uber 都需要使用卷积网络完成坐标变换。 在深度学习领域，没有一种构想的影响力可与卷积匹敌。几…
-
编辑 删除
BAIR展示新型模仿学习，学会「像人」那样执行任务
选自BAIR，作者：Tianhe Yu、Chelsea Finn，机器之心编译。 通过观察另一个人来学习新技能的模仿能力，是体现人类和动物智能的关键部分。我们是否可以让一个机器人做同样的事情？通过观察人类操作物体进而学会操作一个新的物体，就像下面视频中一样。 这种能力会使我们更…
-
编辑 删除
高效编写Dockerfile的几条准则
Dockerfile 是专门用来进行自动化构建镜像的编排文件（就像Jenkins 2.0时代的Jenkinsfile是对Jenkins的Job和Stage的编排一样），我们可以通过 docker build 命令来自动化地从 Dockerfile 所描述的步骤来构建自定义的 D…
-
编辑 删除
这是一份收藏量超过2万6的计算机科学学习笔记
机器之心整理，作者：郑永川，参与：思源。 项目地址：https://github.com/CyC2018/Interview-Notebook该项目的主体内容可分为 9 部分，其中算法介绍了基础的栈和队列、并查集、排序和查找等，操作系统介绍了现代计算机系统与 Linux 系统。…
-
编辑 删除
密集对象网络：通过机器人操作学习密集的视觉对象描述符
选自arXiv，作者：Peter R. Florence、Lucas Manuelli、Russ Tedrake，机器之心编译。 机器人操作中正确的对象表征方式是什么？尽管针对特定任务的强化学习方法可以在给定的任务中获得令人印象深刻的灵巧技能 [1]，人们还没有找到高效完成多种…
-
编辑 删除
一个Python特征选择工具，助力实现高效机器学习
选自GitHub，机器之心编译。 特征选择（feature selection）是查找和选择数据集中最有用特征的过程，是机器学习流程中的一大关键步骤。不必要的特征会降低训练速度、降低模型可解释性，并且最重要的是还会降低其在测试集上的泛化表现。 目前存在一些专用型的特征选择方法，…
-
编辑 删除
入门Python神经机器翻译，这是一篇非常精简的实战指南
选自Medium，作者：Susan Li，机器之心编译。 传统意义上来说，机器翻译一般使用高度复杂的语言知识开发出的大型统计模型，但是近来很多研究使用深度模型直接对翻译过程建模，并在只提供原语数据与译文数据的情况下自动学习必要的语言知识。这种基于深度神经网络的翻译模型目前已经获…
-
编辑 删除
构建深度神经网络，我有20条「不成熟」的小建议
选自PCC，作者：Matt H、Daniel R，机器之心编译。 在我们的机器学习实验室中，我们已经在许多高性能的机器上进行了成千上万个小时的训练，积累了丰富的经验。在这个过程中，并不只有电脑学习到了很多的知识，事实上我们研究人员也犯了很多错误，并且修复了很多漏洞。 在本文中，…
-
编辑 删除
NLP领域的ImageNet时代：词嵌入已死，语言模型当立
选自the Gradient，作者：Sebastian Ruder，机器之心编译。 自然语言处理（NLP）领域正在发生巨变。 长期以来，词向量一直是自然语言处理的核心表征技术。然而，其统治地位正在被一系列令人振奋的新挑战所动摇，如：ELMo、ULMFiT 及 OpenAI tr…
-
编辑 删除
手把手教你如何使用Python的异步IO框架：asyncio（下）
大家好，并发编程 进入第十一章。 这节我们将通过一个小实战，来对这些内容进行巩固。 在实战之前，我们要先了解下在asyncio中如何将协程态添加到事件循环中的。这是前提。 由于是同步的，所以总共耗时6+3=9秒. 主线程是异步的，这是重点，一定要掌握。。 对于并发任务，通常是用…
-
编辑 删除
手把手教你如何使用Python的异步IO框架：asyncio（中）
大家好，并发编程 进入第十章。 为了更好地衔接这一节，我们先来回顾一下上一节的内容。 上一节，我们首先介绍了，如何创建一个协程对象. 通过@asyncio.coroutine 装饰函数。 然后有了协程对象，就需要一个事件循环容器来运行我们的协程。其主要的步骤有如下几点： 为了让…
-
编辑 删除
CNN也能用于NLP任务，一文简述文本分类任务的7个模型
选自Ahmed BESBES，作者：Ahmed Besbes，机器之心编译。 本文是我之前写过的一篇基于推特数据进行情感分析的文章（https://ahmedbesbes.com/sentiment-analysis-on-twitter-using-word2vec-and-…
