Python 由于本身的易用优势和强大的工具库储备,成为了在人工智能及其它相关科学领域中最常用的语言之一。尤其是在机器学习,已然是各大项目最偏爱的语言。 其实除了 Python ,也不乏有开发者用其他语言写出优秀的机器学习项目。在此,列出其中一些个人认为值得关注的开源机器学习项目,比如C、C++、Go、Java、Javascript、PHP、Ruby、Objective C、Swift、Scala等等,看看人工智能的语言适配性吧~~~ ➤ 1、C Darknet —— 神经网络框架 https://g
机器学习有许多用处,并提供了一个充满未知性的世界。然而,有些人可能会退缩,认为它太难了,其实并不是这样的。使用TensorFlow Lite并不一定都是机器学习专家。下面给大家分享我是如何开始在Android上构建自己的定制机器学习模型的。
在很多歌迷眼里,尤其是喜欢乡村音乐的人,“霉霉”Taylor Swift是一位极具辨识度也绝对不能错过的女歌手。在美国硅谷就有一位非常喜欢 Taylor Swift 的程序媛 Sara Robinson,同时她也是位很厉害的 APP 开发者。喜爱之情难以言表,于是利用机器学习技术开发了一款iOS 应用,可以随时随地识别出 Taylor Swift~~~
5 月 12 日,Flutter 3.0 在 Google I/O 开发者大会正式亮相,随着 3.0 版本的发布,Flutter 开发框架终于可以支持六大平台,实现了其跨平台稳定运行的愿景。
你还记得《星球大战》电影中的礼仪机器人 C-3PO 吗?就是那个承担着不同种族、不同物种间翻译交流作用的礼仪机器人。C-3PO 通过从数据库中下载资料来更新自己的语言技能,精通 700 万种语言交流形式,可以说是对宇宙间的所有已知语言尽数掌握。
【导读】CoreML是2017年苹果WWDC发布的最令人兴奋的功能之一。它可用于将机器学习整合到应用程序中,并且全部脱机。CoreML提供的机器学习 API,包括面部识别的视觉 API、自然语言处理 API 。苹果软件主管兼高级副总裁 Craig Federighi 在大会上介绍说,Core ML 致力于加速在 iPhone、iPad、Apple Watch 等移动设备上的人工智能任务,支持深度神经网络、循环神经网络、卷积神经网络、支持向量机、树集成、线性模型等。本文将带你从最初的数据处理开始教你一步一步的
【导语】为了加速自然语言处理 (NLP) 在更多语言上实现零样本迁移学习 (zero-shot transfer learning),Facebook 研究者扩展并增强了 LASER (Language-Agnostic Sentence Representations) 工具包,并在近期开源了这个项目。
Python 由于本身的易用优势和强大的工具库储备,成为了在人工智能及其它相关科学领域中最常用的语言之一。尤其是在机器学习,已然是各大项目最偏爱的语言。
大侠好,欢迎来到FPGA技术江湖,江湖偌大,相见即是缘分。大侠可以关注FPGA技术江湖,在“闯荡江湖”、"行侠仗义"栏里获取其他感兴趣的资源,或者一起煮酒言欢。
选自hopinfirst.com 作者:James Tredwell 机器之心编译 参与:路雪、黄小天 本文介绍了适用于移动端的 10 个机器学习框架,包括针对计算机的机器学习框架和针对手机端的优化性
图灵自然语言生成(T-NLG)[1]是由 Microsoft AI 研究人员提出的 170 亿参数语言模型。除了是迄今为止最大的已知语言模型(如下图所示)之外,T-NLG 是基于 78 层 Transformer 的语言模型,其在 WikiText-103 上的困惑度性能优于之前的最新技术成果(由NVIDIA Megatron-LM[2]持有) 。T-NLG 在各种任务(例如问题回答和抽象摘要)上进行了测试,同时分别显示了模型的好处,例如零简短问题功能和最小化监督。此外,该模型得益于 DeepSpeed 库(与 PyTorch 兼容)和 ZeRO 优化器,这两者也会在本期简报中具体介绍。
主要资源来自TensorFlow中文社区,翻译借助谷歌翻译,仅用于资源分享。 以下是根据不同语言类型和应用领域收集的各类工具库,持续更新中。 C 通用机器学习 推荐人 -一个产品推荐的Ç语言库,利用了协同过滤。 计算机视觉 CCV – C / Cached /核心计算机视觉库,是一个现代化的计算机视觉库。 VLFeat – VLFeat是开源的计算机视觉算法库,有Matlab工具箱。 ---- C ++ 计算机视觉 OpenCV – 最常用的视觉库。有C ++,C,Python以及Java接口),支持Win
这个项目是一个精选的机器学习框架、库和软件列表,按语言分类。它提供了各种功能强大的工具和库,以帮助开发者在不同编程语言中进行机器学习任务。该项目主要有以下特点和优势:
多语言识别翻译的研究一直都是学术界研究的重点。目前全球有几千种语言,在全球化背景下不同语言人群之间的交流越来越密切,然而学习一门外语的成本是非常大的。前两年的研究主要集中在一对一、一对多的研究,然而当面对这么多的语言时,既需要「考虑模型准确率,还需要考虑语种的识别」。最近,随着人工智能大型自然语言模型的发展,利用统一模型实现多语种识别翻译来实现不同语种之间交流逐渐的变成了可能。
在本章中,我们将探索移动设备上深度学习的新兴途径。 我们将简要讨论机器学习和深度学习的基本概念,并将介绍可用于将深度学习与 Android 和 iOS 集成的各种选项。 本章还介绍了使用本机和基于云的学习方法进行深度学习项目的实现。
今日上午,2018谷歌开发者大会在上海举行。长达近两小时的大会中,谷歌重点介绍了其机器学习开源框架TensorFlow、Google Wear OS、Firebase、Flutter、谷歌的AR/VR。而此前上线就刷屏朋友圈的AI应用猜画小歌,在今天的开发者大会中,谷歌也宣布上线猜画小歌好友同玩的功能。
Core ML是Apple的机器学习框架。仅在一年前发布,Core ML为开发人员提供了一种方法,只需几行代码即可将强大的智能机器学习功能集成到他们的应用程序中!今年,在2018年WWDC上,Apple发布了Core ML 2.0-下一版Core ML,所有这些都集中在通过优化模型的大小,提高性能以及让开发人员定制自己的Core ML模型来简化流程。
为了加速 NLP 应用在更多语言上的部署,Facebook 对 LASER (Language-Agnostic SEntence Representations)工具包进行了扩展和改进。LASER 是首个可探索多语言句子表示的工具包,Facebook 日前对其实现了开源并共享在 NLP 社区。该工具包现在可应用于使用 28 种不同的字符串编写的 90 多种语言也就是说,它将所有语言一同嵌入到一个独立的共享空间中(而不是为每一种语言都创建一个单独的模型),从而实现在 90 多种语言中的应用。此外,一同开源的还有多语言编码器、PyTorch 代码,以及面向 100 多种语言的多语言测试集。
过去一年来,机器学习模型在 NLP 领域很多语言理解任务上的表现都获得了极大提升。Elmo、BERT、ALICE、之前被称为 BigBird 的模型(现在叫做 MT-DNN)都取得了显著进展,OpenAI GPT 也有一种非常有效的方案,即将用简单的多任务在大量文本数据集上预训练的语言建模方法与将所得模型适应到下游应用的迁移学习技术结合起来。
在今年的 Google 游戏开发者峰会上,我们为开发者带来了各种工具和服务的更新和最新动态,这些工具和服务都旨在帮助您打造高质量的游戏体验,助力您的游戏业务稳步发展。本文将为您详细介绍如何使用它们,并帮助您的游戏取得成功。
机器之心报道 编辑:泽南、杜伟 识别 ChatGPT 生成的内容,OpenAI 亲自上阵了。 很多人也许已经忘记,ChatGPT 正式发布时间是去年 11 月底,到现在才刚刚两个月,但它掀起的热潮却已引发科技公司纷纷跟进,催生了独角兽创业公司,还让学术界修改了论文接收的要求。 在 ChatGPT 引发 AI 领域「是否要禁用」大讨论之后,OpenAI 的真假鉴别工具终于来了。 1 月 31 日,OpenAI 官宣了区分人类作品和 AI 生成文本的识别工具上线,该技术旨在识别自家的 ChatGPT、GPT-3
-欢迎 该项目包含使用使用 IKVM.NET 将 Stanford NLP.jar 软件包重新编译到.NET 中的构建脚本,这些软件经过测试可以有效工作,该工具包的介绍网站是:https://serg
选自svds 作者:Cindi Thompson 机器之心编译 参与:李泽南、Smith 目前开源世界里存在多种不同的语音识别工具包,它们为开发者构建应用提供了很大帮助。这些工具各有哪些优劣?数据科学
2021年12月20日,来自美国匹兹堡大学药学院的Junmei Wang和德克萨斯大学生物医学工程系的Pengyu Ren等人在Curr Opin Struc Biol合作发表综述“小分子通用力场的最新进展”。
选自斯坦福 机器之心编译 参与:李泽南、Smith 近日,斯坦福大学发布了 Stanford.NLP for .Net,为自然语言处理领域的开发者们提供帮助。顾名思义,它是 Stanford NLP 为.NET 准备的版本。 链接:https://sergey-tihon.github.io/Stanford.NLP.NET/ 该项目包含使用使用 IKVM.NET 将 Stanford NLP.jar 软件包重新编译到.NET 中的构建脚本,这些软件经过测试可以有效工作,该工具包的介绍网站是:https:/
自然语言理解(NLU)和语言翻译是一系列重要应用的关键,包括大规模识别和删除有害内容,以及连接世界各地不同语言的人们。尽管近年来基于深度学习的方法加速了语言处理的进展,但在处理大量标记训练数据不易获得的任务时,现有系统的处理水平仍然是有限的。
谷歌机器学习:实际应用技巧 什么是机器学习(ML)? 从概念上讲:给定(训练)数据,发现一些潜在的模式并将这个模式应用于新数据。 ML 的类型:监督学习;无监督学习;半监督学习;…… 监督学习:用于训
关键字全网搜索最新排名 【机器学习算法】:排名第一 【机器学习】:排名第二 【Python】:排名第三 【算法】:排名第四 谷歌机器学习:实际应用技巧 什么是机器学习(ML)? 从概念上讲:给定(训练
谷歌在 Google AI 上撰文进行对刚刚发布的 ML Kit 中的核心技术:Learn2Compress 自动模型压缩技术进行了详细介绍和实战测试。
我们很高兴地宣布,作为谷歌I/O主题演讲的一部分,我们今天推出了Flutter 3。Flutter 3完成了我们从以移动为中心到多平台框架的路线图,提供了对macOS和Linux桌面应用的支持,以及对Firebase集成的改进,新的生产力和性能特性,并支持Apple Silicon。
---- 新智元报道 编辑:桃子 【新智元导读】问世6年来,Transformer不仅成为NLP领域的主流模型,甚至成功向其他领域跨界,一度成为风靡AI界的机器学习架构。恰在今天,Transformers库在GitHub上星标破10万大关! 2017年,谷歌团队在论文「Attention Is All You Need」提出了开创性的NLP架构Transformer,自此一路开挂。 多年来,这一架构风靡微软、谷歌、Meta等大型科技公司。就连横扫世界的ChatGPT,也是基于Transformer
AI 研习社按: Google I/O 2018 上,谷歌发布了可供开发者定制移动端机器学习模型的 ML Kit 开发套件,关于该套件中的核心技术:Learn2Compress 模型压缩技术,谷歌也火速在 Google AI 上撰文对其进行了详细介绍和实战测试,AI 研习社将其内容编译如下。
今天的WWDC,除了年度硬件、系统更新,大家更为关注的是苹果是否也去选择“AI优先”的战略,因为它的老对手微软和Google早已经走上这条路了。 两个半小时的Keynote下来,库克一句都没有提到AI相关的战略,而只是在最后公布了剧透已久的“重磅”新品:Siri智能音箱——HomePod。 HomePod 智能音箱 很显然,这两年来面对Amazon Echo与Google Home在家用语音交互服务上的攻城略地,苹果是坐不住了。HomePod就此诞生: 它的外观取材于苹果2013年发布的Mac
【新智元导读】微软今天开源微软认知工具包(Microsoft Cognitive Toolkit)的升级版本,CNTK 升级版。本次升级最大的亮点在于增加了 Python 绑定。另外,新版本工具包跨服务器处理能力也得到了提升,能有效加快处理速度,并支持增强学习的实践。 AI WORLD 2016 世界人工智能大会开场视频(完整版) 亮点: CNTK 现在支持全新的C++ 和 Python APIs 提供新的Python例子和课程 支持快速的R-CNN算法 CNTK Evaluation 数据库有改进,其中包
AI科技评论消息:5月23日,日本知名自然语言处理学者长尾真(Makoto Nagao)教授因不小心摔了一跤,在日本家中去世,享年85岁。
呜啦啦啦啦啦啦啦大家好,本周的AI Scholar Weekly栏目又和大家见面啦!
【新智元导读】在 ThingsExpo 会议上,谷歌软件工程师 Natalia Ponomareva 作了有关如何在大规模机器学习中取得成功的讲座。Natalia 回顾了可用于对大量数据进行机器学习模型训练的框架,解释了特征工程和算法选择,并提供了有关如何避免错误的 tips。这是一份非常实用的机器学习指导手册。本文后半部分谈了如何选择深度学习框架的问题,以及Theano 贡献者、苏黎世联邦理工学院的深度学习研究者 Gokula Krishnan Santhanam 对常用深度学习框架基本构成的分析。 谷歌
李林 若朴 假装发自 McEnery 量子位 报道 | 公众号 QbitAI “I love machine learning, especially since I’m a machine, lea
选自Mybridge 机器之心编译 参与:李泽南 2017 年里哪些机器学习项目最受人关注?Mybridge 为我们整理了一份 Top 30 列表,以下所有项目均附有 GitHub 链接。 我们对比了近 8800 个开原机器学习项目,并挑选了其中最好的 30 个列举于此。这是一个非常具有竞争力的列表,其中包含 2017 年 1 月-12 月份开源的各类优秀机器学习库、数据集和应用。Mybridge AI 通过流行度、参与度和新鲜程度来对它们进行评级。先给你一个直观印象:它们的 GitHub 平均 stars
选自GitHub 机器之心编译 作者:Matthijs Hollemans 参与:李泽南 6 月 5 日开幕的 WWDC 2017 开发者大会上,苹果正式推出了一系列新的面向开发者的机器学习 API,包括面部识别的视觉 API、自然语言处理 API,这些 API 的背后都有 Core ML 机器学习框架的身影。苹果软件主管兼高级副总裁 Craig Federighi 在大会上介绍说,Core ML 致力于加速在 iPhone、iPad、Apple Watch 等移动设备上的人工智能任务,支持深度神经网络、
想大胆尝试机器学习?这些工具可以为你处理繁重的任务。 驾驭机器学习的13种框架 在去年,机器学习以前所未有的势头进入主流。对这股潮流起到推波助澜的不单单是成本低廉的云环境和功能更强大的GPU硬件,还有
这个项目是 Firebase 苹果开源开发平台,包含了除 FirebaseAnalytics 之外的所有 Apple 平台 Firebase SDKs 的源代码。它提供了一系列工具来帮助你构建、增长和盈利你的应用程序。主要功能和核心优势如下:
原文链接:https://github.com/fighting41love/funNLP
陈桦 编译整理 量子位 报道 | 公众号 QbitAI 为了在各类设备上实现基于深度学习的软件开发,高通为骁龙系列移动处理器开发了“神经处理引擎”(NPE)。 今天,高通为NPE发布了SDK(开发工具
---- 新智元报道 编辑:David 【新智元导读】谷歌AI年度回顾与展望:负责任的AI仍是第一目标。 2022年,人工智能(AI)取得了巨大的突破,特别是在大型语言模型(LLM)和文本到图像模型方面的进步明显。 这些技术进步要求我们在开发和部署时要深思熟虑,有意识地进行。本文主要分享过去一年中我们在整个研究中对待负责任的人工智能的方式,以及我们在2023年的方向。 主要有四个主题,包括基础和社会技术研究、应用研究和产品解决方案,作为我们承诺以负责任和道德的方式建立人工智能产品的一部分,与我们的
导语:在刚刚过去的WWDC上,苹果发布了Core ML这个机器学习框架。现在,开发者可以轻松的使用Core ML把机器学习功能集成到自己的应用里,让应用变得更加智能,给用户更牛逼的体验。 苹果在 iOS 5 里引入了 NSLinguisticTagger 来分析自然语言。iOS 8 出了 Metal,提供了对设备 GPU 的底层访问。去年,苹果在 Accelerate 框架添加了 Basic Neural Network Subroutines (BNNS),使开发者可以构建用于推理(不是训练)的神经网络。
就在最近,一个基于 javascript 的可视化库 D3js(treemap 可视化)对 json 文件生成的技术图,给开发者提供了详细的各领域工具清单,内容涵盖了 11 种极具潜力的 AI 工具类型,我们将其整理如下,强烈建议大家收藏~
工欲善其事必先利其器,这也是大部分开发者在日常工作中最重要开发原则。选择与开发内容相匹配的工具,常常会使我们事半功倍。但面对人工智能的多个领域,如:机器学习、深度学习、NLP等等,多样的工具有时也让我们也无从选择。
领取专属 10元无门槛券
手把手带您无忧上云