机器学习人工学weekly-2018/4/1

注意下面很多链接需要访问外国网站，无奈国情如此

1. TensorFlow开发者峰会昨天召开，我觉得有趣的演讲有

- TF Hub （"一键"transfer learning）

- Swift支持 （Chris Lattner原来去Google Brain就是做这个）

- tensorflow.js （deeplearn.js升级版）

- performance tuning （这个部分我觉得讲的特别好）

- TensorBoard Debugger （wow，牛B的工具!）

- TF Lite （TF Mobile会被淘汰）

- AutoML （还是NAS那一套）

- TFX （生产系统，TF Transform很不错，Serving RESTful API）

视频：https://www.youtube.com/playlist?list=PLQY2H8rRoyvxjVx3zfw4vA4cvlKogyLNN

2. DeepMind用reinforced adversarial learning让机器学写程序来画画，跟GAN有点像

Learning to write programs that generate images

链接：https://deepmind.com/blog/learning-to-generate-images/

3. 分析Uber自驾车撞人事件的分析

Could AI have saved the cyclist (had I programmed the Uber car)?

链接：https://medium.com/@rebane/could-ai-have-saved-the-cyclist-had-i-programmed-the-uber-car-6e899067fefe

4. AutoML的资源收集，architectural search部分比较全

链接：http://www.ml4aad.org/automl/

4*. meta-learning解释

Learning About Algorithms That Learn to Learn

链接：https://towardsdatascience.com/learning-about-algorithms-that-learn-to-learn-9022f2fa3dd5

5. Berkeley/OpenAI用soft Q-learning做机器人学习

Reinforcement Learning with Deep Energy-Based Policies

链接：https://arxiv.org/pdf/1702.08165.pdf

6. PyTorch的RL实现教程

DQN Adventure: from Zero to State of the Art

链接：https://github.com/higgsfield/RL-Adventure?utm_campaign=Revue%20newsletter&utm_medium=Newsletter&utm_source=The%20Wild%20Week%20in%20AI

7. adversarial patch的论文分析(Morning Paper这个系列挺好的，分析很多CS的最新论文，虽然很多不是机器学习）

链接：https://blog.acolyer.org/2018/03/29/adversarial-patch/

8. deep learning这本书的解读，虽然暂时只有前面2章，但是不得不说visualization做的很漂亮

链接：https://hadrienj.github.io/posts/Deep-Learning-Book-Series-Introduction/

9. VAE最清楚的解释

Intuitively Understanding Variational Autoencoders

链接：https://towardsdatascience.com/intuitively-understanding-variational-autoencoders-1bfe67eb5daf

10. 工具/框架

10.1 阿里用TVM加速TF

Bringing TVM into TensorFlow for Optimizing Neural Machine Translation on GPU

链接：http://www.tvmlang.org/2018/03/23/nmt-transformer-optimize.html

10.2 Linux Foundation也作了一个深度学习的项目Acumos，看起来主要目的是整合各个framework

链接：https://www.acumos.org/

10.3 DL framework对比与选择，写的还算比较全面

链接：http://engineering.curalate.com/2018/03/23/DL-lib-for-app-dev-and-prod.html?utm_campaign=Revue%20newsletter&utm_medium=Newsletter&utm_source=Deep%20Learning%20Weekly

10.4 Javascript的GPU加速DL framework

链接：https://towardsdatascience.com/gpu-accelerated-neural-networks-in-javascript-195d6f8e69ef

10.5 神经网络可视化工具Netron

链接：https://github.com/lutzroeder/Netron

10.6 TF 1.7发布

链接：https://github.com/tensorflow/tensorflow/releases/tag/v1.7.0