酷应用

AI大事件 | WaveNet推出了谷歌助手，苹果发布CoreML转换器

百家作者：大数据文摘 2017-10-10 04:17:04

大数据文摘作品

编译 | 宁云舟，桑桑

呜啦啦啦啦啦大家好呀，又到了本周的AI大事件时间了。过去的一周中AI圈都发生了什么？大佬们互撕了哪些问题？研究者们发布了哪些值得一读的论文？又有哪些开源的代码和数据库可以使用了？文摘菌带你盘点过去一周AI大事件！

新闻

谷歌的实时翻译——“Pixel Buds”来啦

来源：TECHCRUNCH.COM

在谷歌Pixel硬件项目活动上，台上的对话被顺畅地从英语翻译成了瑞典语。在人们说完一句话的一两秒内就可以完成翻译。

WaveNet推出了谷歌助手

来源：DEEPMIND.COM

链接：https://deepmind.com/blog/wavenet-launches-google-assistant/

WaveNet的论文发表十二个月后，一个生成原始音频波形的深度神经网络诞生了。现在的模型用来生成在所有平台上英语和日语的谷歌助手的声音。这项技术至少需要比之前1000倍以上的速度提升。

DeepMind建立新团队研究伦理和社会学

来源：DEEPMIND.COM

链接：https://deepmind.com/blog/wavenet-launches-google-assistant/

这个团队有两个目标：帮助技术人员把道德付诸实践，并且帮助社会预测和指导人工智能的影响，使之造福于所有人。

思想实验——AI如何改变Amazon

来源：HBR.ORG

链接：https://hbr.org/2017/10/how-ai-will-change-strategy-a-thought-experiment

人工智能的进步使预测变得更为廉价，我们必将更频繁、更广泛地使用预测，而对预测的补充（如人类判断）的价值将上升。这对企业战略又意味着什么呢？

文章&教程

Atari 2600的评价程序

来源：YOBIBYTE.GITHUB.IO

链接：https://yobibyte.github.io/atari-eval.html#atari-eval

受最近的一篇论文—— Deep Reinforcement Learning that Matters 影响（https://arxiv.org/abs/1709.06560），这是对用在各种Atari 上强化学习程序的一个很好的演练和评价。

通过最大熵深度强化学习学习不同的技能

来源：BAIR.BERKELEY.EDU

链接：http://bair.berkeley.edu/blog/2017/10/06/soft-q-learning/

标准的深度强化学习算法的目的是掌握一种单一的方法来解决给定的任务，通常是第一种似乎效果很好的方法。然而，找到这样一个单一的解决方案可能是有风险的——只知道一种行为方式，使代理人很容易受到现实世界中常见的环境变化的影响。

GANs又被批评了

来源：WWW.INFERENCE.VC

链接：http://www.inference.vc/my-notes-on-the-numerics-of-gans/

对论文The Numerics of GANs （https://arxiv.org/abs/1705.10461）很好的评论。提出了两个有趣的见解：把GANs的训练看作是神经网络训练的一个特例是很自然的，但事实上，它是另一种方法。另外，梯度下降是一种推广，而不是一种特殊情况的梯度下降法。

代码，项目&数据

Google 推出“受教”机器人

来源：TEACHABLEMACHINE.WITHGOOGLE.COM

链接：https://teachablemachine.withgoogle.com

这个实验可以让任何人亲自动手探索机器学习是如何运作的。你可以用照相机来教它在浏览器中生存，并且不需要写任何代码。

苹果发布CoreML转换器

来源：GITHUB.COM

链接：https://github.com/apple/coremltools

CoreML社区中的工具包括对于CoreML模型的所有支持工具和许可，具体有Scikit Learn, LIBSVM, Caffe, Keras和XGBoost。

TorchMoji：DeepMoji模型的PyTorch实现

来源：GITHUB.COM

链接：https://github.com/huggingface/torchMoji

这个模型使用了12亿包含emoji的推特数据来了解语言是如何表达情感的。通过传输学习，该模型可以在许多与情感相关的文本建模任务中获得最先进的性能。

爆款论文

神经任务规划：学习分层的任务

来源：ARXIV.ORG

链接：https://arxiv.org/abs/1710.01813

一种新的机器学习框架，称为神经任务规划（NTP：Neural Task Programming），它支持从演示和神经程序中学习少量的想法。NTP将任务规范作为输入（例如，对任务的视频演示），并递归地将其分解成更精细的子任务规范。这些规范被反馈到一个分层的神经程序中，其中底层程序是与环境交互的可调用子程序。

图像间的神经颜色传输

来源：ARXIV.ORG

能够感知相似语义结构的图像颜色转换算法。该算法使用神经表示来匹配和优化满足局部和全局约束的线性模型。

Rainbow：强化学习中的结合改进

来源：ARXIV.ORG

深度强化学习家族有几个对于DQN算法独立的改进。然而，目前尚不清楚这些改进是否能够互补或有效地结合。本文探讨了六个DQN算法改进，并与实证研究结合。实验结果表明，对于Atari 2600标准，结合这些改进使得模型的表现达到了最高，无论是在数据的效率还是最终性能上。作者还提供了一个详细的消融研究的结果，显示每个改进对整体性能的贡献。

志愿者介绍

回复“志愿者”加入我们