大宗师socket服务端发送数据在哪看玩家数据？
点击联系发帖人
时间：2017-01-23 00:22
“条”侃：APP付费榜游戏调研 玩家选择多样化
随着手机功能越来越强大，手机游戏的用户群也在日益壮大。刚开始还会有人去统计在Application到底拥有多少款游戏，但是到今天，再没有人去统计了，几乎每天都会有新的游戏加入，可供挑选不同类型不同玩法的游戏多了，玩家就会有更多的选择余地。
玩家的选择是对一款APP游戏应用的肯定，我们对付费榜名列前茅的游戏进行了每款抽选100名游戏玩家的深度调研，（在这里也要感谢高校网联盟平台为我们提供数据调查的大力支持），在现今的多样化选择下，让我们看看肯让玩家们掏钱选择的理由又有哪些。
游戏名称：机甲风暴
机甲风暴是根据起点白金科幻作者骷髅精灵的《机动风暴》、《武装风暴》、《星战风暴》，风暴小说三部曲改编成手游，有60%的玩家因为本来就是骷髅精灵这位作家的粉丝，喜爱的小说改编成了手游大家是肯定不想错过的，这也算是小说界的明星效应了。
游戏名称：有杀气童话
有杀气童话上线之后就吸引了大批玩家，最大的原因就是因为这款游戏送的钻石实在是太多了，平民不用破费就能玩的游戏，再加上这游戏有着童话故事的元素和角色Q萌，如此亲民的游戏自然少不了玩家们的青睐。
游戏名称：九阴真经
九阴真经在PC端拥有众多的用户，而九阴真经的手游在导流方面也是无比的成功，72%的用户都来自PC端可见一斑，最重要的是游戏名又能给这款游戏带来大量的用户，神雕英雄传谁没看过？贯穿主剧情的正式九阴真经绝学。
游戏名称：雷霆舰队3D
雷霆舰队3D作为一款以海战手游，完美还原了二战各类战舰以及战役等，最让玩家喜欢的还是3D全视角自由转换加上细腻的画面，海战的手游在之前可称为精品的太少，雷霆舰队3D这款在各方面都很优秀收到欢迎也是很正常的。
游戏名称：校花的贴身高手3D
校花的贴身高手3D同样作为网络火爆小说同名手游，由白金作者鱼人二代同名人气网络小说校花的贴身高手改编而成，吸引了大批的读者粉丝加入游戏，还有很多玩家是因为易上手的操作和好玩的游戏名加入其中的，不得不说这款游戏的名字的确是吸引了很多男性玩家。
游戏名称：进击！小小忍者
进击！小小忍者是一款根据日本动漫《火影忍者》改编而成的游戏，《火影忍者》在国内的人气相当之高，玩家们看到了游戏名就会抱着尝试的心态玩一下，再加上尊重原著的剧情和Q版的人物角色，动漫迷和普通的玩家都会愿意玩一玩。
游戏名称：X战娘
X战娘绝对是一款为宅男们量身定做的游戏，二次元的大波妹子音美声甜，很容易就能勾起宅男们的保护欲，为了保护自己心爱的战娘而战。闲来无事的时候还可以调教游戏中的妹子，这样的诱惑就不仅仅是吸引宅男了，不是宅男同样也会加入到X战娘。
游戏名称：冒险与挖矿
冒险与挖矿绝对可以说是简单流畅出奇迹，让玩家玩着顺心，运行起来也无比的流畅一点都不卡，这样的游戏玩家们同样喜欢，还记得小时候玩的小霸王吗？小小的角色充满喜感，冒险与挖矿的角色就是这样，简单可爱却丰富的角色选择。
游戏名称：武侠大宗师
武侠大宗师的游戏名既有武侠也有大宗师，这两个词都曾是无数人少年时期的梦想，为这款游戏吸引众多玩家，最关键的还是不坑人，玩游戏最重要的就是图个乐子，良心的运营商会更多的给玩家福利，福利多质量好的一款游戏又有谁能拒绝呢？
游戏名称：口袋联盟
口袋联盟最成功的方面就是敢于创新不守旧，口袋系列在之前有各类游戏，同时也拥有动漫，但是口袋联盟并没有过于借助前辈们的元素，大胆的开创出属于自己的玩法，让玩家们感到了新鲜和用心，自然会加入游戏也会邀请身边的人一起玩。
手机游戏也在慢慢地改变和进步，但只要是真正的用心制作出的游戏，都不会被玩家们冷落。同时也提醒着一些抱着敛财心思，而不考虑玩家是否能接受和喜欢的人，这样的做法只会让玩家们离你越来越远，就像放羊的孩子一而再再而三的骗人，就算哪天出了好游戏也可能会无人问津，如果这份数据调查能让一些人学到什么领悟到什么，也就不枉我们的用心调查。
本文系talk游戏原创，转载请注明。
talk游戏是聚合各游戏资讯网站、官方网站海量资讯的新闻服务平台，真实反映每时每刻的新闻热点。
责任编辑：
声明：该文观点仅代表作者本人，搜狐号系信息发布平台，搜狐仅提供信息存储空间服务。
今日搜狐热点Sina Visitor System(ERROR:15) & 访客不能直接访问&p&讲我们一个客户的故事，这里暂且叫老K。&/p&&p&老K所在集团有一子公司，销售业绩和盈利能力一直都很差，2014年甚至亏损。但该子公司是集团战略的一个重要环节，那只能对这个公司进行业务改进，具体怎么做呢？&/p&&p&老K拉来子公司的财务数据，做了细致分析：分析哪些产品赚钱？哪些客户赚钱？哪些销售人员赚钱？还真有了大发现：49个产品中只有不到30个产品是赚钱的；给子公司带来利润的下游公司，只有不到20%；为公司创造较多利润的销售人员，也只有57%。&/p&&p&于是，老K把这样的结论向上级领导反映，当即就对改革有了眉头。从产品、客户、销售员这三个角度开展，为期两年。&/p&&p&&b&产品改革&/b&&/p&&p&老K拿毛利率为基准做了一个贡献排名，砍掉了20%的低毛利产品，同时兼顾类似“捆绑销售”产品组合的综合毛利率。比如，客户因为A产品而选择采购，但是客户要求必须有B产品，虽然B产品毛利并不高，但是如果不提供B产品，客户采购高毛利率的A产品会遇到困难。这种情况，B产品就属于被“捆绑销售”，必须保留。&/p&&p&改革的结果是2015年产品个数由49个，精简为32个，2016精简至28个，高毛利的产品销售占比提高4.9 %。&/p&&p&&b&客户改革&/b&&/p&&p&客户改革的策略是：对利润贡献度不同的客户采取不同的销售投入。将客户按照利润率自动排名，筛选出利润贡献率较高的30%，这部分客户重点维护；筛选出利润率较低的20%，除了部分利润较大和处于市场战略考虑，大部分客户降低销售投入。&/p&&p&改革的效果很显著，KA客户销量占比由2014年的43% 提升至2015年的54%，占增量利润贡献比例为11%。&/p&&p&客户改革、产品改革、成本控制维度优化调整后，毛利较上年同期增加865万，毛利率提升8.79%，增量利润贡献比例62%。&/p&&p&&b&销售改革&/b&&/p&&p&销售改革重点是调整利润分配方式。计算规则：改“销量/回款提成制”为“损益提成与增量分享制”。所谓损益提成，也就是销售人员的成本里面要包含产品成本，销售成本和公司财务、管理、市场等分摊成本。所谓增量分享制，就是提成不是固定值，而是梯度变化的。净利润越高，综合平均的提成比例越高。&/p&&p&改革的效果：2016年销量增加1350万，销售费用率下降4.55%，2016年利润916万，比2015年增加457万，利润的增长来源于销量的增长，两年实现利润1,532万。&/p&&p&总得来说，这个项目展现很长，但成果是有的。从财务指标来看，2015年，销量增加了550万，但利润却增加了616万，也就是说，在这套数据驱动的管理方法下，销量增加，利润上升，而成本降低也带来了66万的利润。&/p&&p&数据分析是如何帮助公司创收的？——要从公司问题严重的弱势环节着手，宗旨是降本增效，成本花在刀刃上。&/p&
讲我们一个客户的故事，这里暂且叫老K。老K所在集团有一子公司，销售业绩和盈利能力一直都很差，2014年甚至亏损。但该子公司是集团战略的一个重要环节，那只能对这个公司进行业务改进，具体怎么做呢？老K拉来子公司的财务数据，做了细致分析：分析哪些产品…
&figure&&img src=&https://pic2.zhimg.com/v2-d2e1eee6f2cd3fb93a6d89db5a2542cd_b.jpg& data-rawwidth=&1920& data-rawheight=&1080& class=&origin_image zh-lightbox-thumb& width=&1920& data-original=&https://pic2.zhimg.com/v2-d2e1eee6f2cd3fb93a6d89db5a2542cd_r.jpg&&&/figure&&blockquote&岳排槐 发自 LZYY&br&量子位 出品 | 公众号 QbitAI&/blockquote&&p&想必不少人都知道了，前几天谷歌推出&a href=&https://link.zhihu.com/?target=http%3A//mp.weixin.qq.com/s%3F__biz%3DMzIzNjc1NzUzMw%3D%3D%26mid%3D%26idx%3D1%26sn%3D78b26ff34b8a25a233dacf740e6a5431%26chksm%3De8d05a4bdfa7d35de34efa38f32d3a15172ec17fabff823f78c396efa8f4251fdc%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&免费的机器学习速成课程&/a&。&/p&&p&但是，课程讲座的视频都放在YouTube上，这造成了一些学习困难。有不少读者问量子位要梯子，我们除了给出这种链接 &a href=&https://link.zhihu.com/?target=http%3A//t.cn/RoA3TXa& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&t.cn/RoA3TXa&/span&&span class=&invisible&&&/span&&/a& ，还能做什么？&/p&&p&我们还把中文课程视频给搬运回来了……&/p&&figure&&img src=&https://pic3.zhimg.com/v2-988a7d583d88c58bb72c_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&1080& data-rawheight=&436& class=&origin_image zh-lightbox-thumb& width=&1080& data-original=&https://pic3.zhimg.com/v2-988a7d583d88c58bb72c_r.jpg&&&/figure&&p&这套课程，谷歌称其为“机器学习热爱者的自学指南”，其中包含一系列视频讲座、实际案例分析和实践练习。而且基本是全程中文。&/p&&p&不光文字是中文的，老外的讲课，还用机器机器学习技术，给配了中文的发音。&/p&&p&多少年，谷歌的机器苦练中文发音和文法，这下有了用武之地。&/p&&p&交待一句，视频之外谷歌还提供了一些文字资料和小测验，这些都能在谷歌中国的官网上能看到，不用翻墙。地址：&/p&&p&&a href=&https://link.zhihu.com/?target=https%3A//developers.google.cn/machine-learning/crash-course/& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&developers.google.cn/ma&/span&&span class=&invisible&&chine-learning/crash-course/&/span&&span class=&ellipsis&&&/span&&/a&&/p&&figure&&img src=&https://pic2.zhimg.com/v2-18809fcd46bbbf43b7576_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&1080& data-rawheight=&600& class=&origin_image zh-lightbox-thumb& width=&1080& data-original=&https://pic2.zhimg.com/v2-18809fcd46bbbf43b7576_r.jpg&&&/figure&&p&&br&&/p&&p&当然这个页面里，可能你不翻墙还是看不了视频。所以你也许还会需要量子位搬运的这些视频。以及，我们只搬运了机器配音的中文版。&/p&&p&都说了是机器配音，所以发音有些奇怪之处，要怪……还是怪谷歌吧……&/p&&p&课程的主要架构分为三个部分：机器学习概念（18讲）、机器学习工程（4讲）、机器学习在现实世界的应用示例（3讲）。&/p&&p&一共是25段视频。&/p&&p&下面是全部内容的直通车。&/p&&h2&&b&课程目录&/b&&/h2&&blockquote&&b&机器学习概念&/b&&br&01-03讲：&a href=&https://link.zhihu.com/?target=https%3A//mp.weixin.qq.com/s/WjQVVfDfMMbSPPgARgma9A& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&机器学习简介、框架处理、深入了解ML&/a&&br&04-06讲：&a href=&https://link.zhihu.com/?target=https%3A//mp.weixin.qq.com/s%3F__biz%3DMzUzNDUyNzYzNg%3D%3D%26mid%3D%26idx%3D1%26sn%3Da9ba058ae0ae57dd004a53%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&降低损失、使用TF的基本步骤、泛化&/a&&br&07-09讲：&a href=&https://link.zhihu.com/?target=https%3A//mp.weixin.qq.com/s%3F__biz%3DMzUzNDUyNzYzNg%3D%3D%26mid%3D%26idx%3D2%26sn%3Dbce4acf5df%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&训练集和测试集、验证、表示法&/a&&br&10-12讲：&a href=&https://link.zhihu.com/?target=https%3A//mp.weixin.qq.com/s%3F__biz%3DMzUzNDUyNzYzNg%3D%3D%26mid%3D%26idx%3D3%26sn%3D138bcd4b316c180b9ca22%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&特征组合、简单正则化、逻辑回归&/a&&br&13-15讲：&a href=&https://link.zhihu.com/?target=https%3A//mp.weixin.qq.com/s%3F__biz%3DMzUzNDUyNzYzNg%3D%3D%26mid%3D%26idx%3D4%26sn%3D004c8c78eacfc3a02b7a4%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&分类、稀疏性正则化、神经网络简介&/a&&br&16-18讲：&a href=&https://link.zhihu.com/?target=https%3A//mp.weixin.qq.com/s%3F__biz%3DMzUzNDUyNzYzNg%3D%3D%26mid%3D%26idx%3D5%26sn%3D07bd9455bdd3deef%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&训练神经网络、多类别神经网络、嵌套&/a&&br&&br&&b&机器学习工程&/b&&br&19-20讲：&a href=&https://link.zhihu.com/?target=https%3A//mp.weixin.qq.com/s%3F__biz%3DMzUzNDUyNzYzNg%3D%3D%26mid%3D%26idx%3D6%26sn%3D0bc58f10ab6dfb043c5d0%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&生产环境机器学习系统、静态与动态训练&/a&&br&21-22讲：&a href=&https://link.zhihu.com/?target=https%3A//mp.weixin.qq.com/s%3F__biz%3DMzUzNDUyNzYzNg%3D%3D%26mid%3D%26idx%3D7%26sn%3Dbf540b9a64c106c7e9a00%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&静态与动态推理、数据依赖关系&/a&&br&&br&&b&应用示例&/b&&br&23-25讲：&a href=&https://link.zhihu.com/?target=https%3A//mp.weixin.qq.com/s%3F__biz%3DMzUzNDUyNzYzNg%3D%3D%26mid%3D%26idx%3D8%26sn%3D6ea657bdade%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&癌症预测、18世纪文字、应用准则&/a&&/blockquote&&p&点进去大概是这样的?&/p&&figure&&img src=&https://pic2.zhimg.com/v2-0c8ceaa82b27e_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&750& data-rawheight=&1173& class=&origin_image zh-lightbox-thumb& width=&750& data-original=&https://pic2.zhimg.com/v2-0c8ceaa82b27e_r.jpg&&&/figure&&p&就酱，希望对大家有所帮助~&/p&&p&— &b&完&/b& —&/p&&p&欢迎大家关注我们的专栏：&a href=&https://zhuanlan.zhihu.com/qbitai& class=&internal&&量子位 - 知乎专栏&/a&&/p&&p&诚挚招聘&/p&&p&量子位正在招募编辑/记者，工作地点在北京中关村。期待有才气、有热情的同学加入我们！相关细节，请在量子位公众号(QbitAI)对话界面，回复“招聘”两个字。&/p&&p&&a href=&https://zhuanlan.zhihu.com/qbitai& class=&internal&&量子位 QbitAI&/a& · 头条号签约作者&/p&&p&?'?' ? 追踪AI技术和产品新动态&/p&
岳排槐 发自 LZYY 量子位 出品 | 公众号 QbitAI想必不少人都知道了，前几天谷歌推出。但是，课程讲座的视频都放在YouTube上，这造成了一些学习困难。有不少读者问量子位要梯子，我们除了给出这种链接
，还能做…
&figure&&img src=&https://pic3.zhimg.com/v2-d62af59cbc39_b.jpg& data-rawwidth=&1000& data-rawheight=&750& class=&origin_image zh-lightbox-thumb& width=&1000& data-original=&https://pic3.zhimg.com/v2-d62af59cbc39_r.jpg&&&/figure&&blockquote&夏乙 李根 假装发自 凹非寺&br&量子位 出品 | 公众号 QbitAI&/blockquote&&figure&&img src=&https://pic4.zhimg.com/v2-9c3eaa911d54174faf101bb7dfbf248b_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&640& data-rawheight=&313& class=&origin_image zh-lightbox-thumb& width=&640& data-original=&https://pic4.zhimg.com/v2-9c3eaa911d54174faf101bb7dfbf248b_r.jpg&&&/figure&&p&谷歌又出手了。又是一个大招。（&a href=&https://link.zhihu.com/?target=http%3A//mp.weixin.qq.com/s%3F__biz%3DMzIzNjc1NzUzMw%3D%3D%26mid%3D%26idx%3D1%26sn%3D76db3f988ae1c373c50ebeea%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&上一个&/a&）&/p&&p&这次谷歌传奇Jeff Dean亲自在推特上连发10条，满怀激动地对外宣布着这个消息：谷歌TPU首次对外全面开放。&/p&&p&AI芯片和公有云市场将迎来新的变局。&/p&&p&之前英伟达的黄仁勋在谈到谷歌TPU时，就曾强硬的表示，对TPU的威胁不以为然。当时，老黄还列了列参数：新的TPU可以实现45 teraflop的运算能力，而英伟达最新的Volta GPU则能达到120 teraflop。&/p&&p&但如果你关注人工智能，肯定知道TPU的威力。谷歌搜索、翻译、相册等应用，都有TPU在提供AI加速。更值得一提的是，AlphaGo也是借力TPU，称霸围棋界。&/p&&p&而且谷歌这款芯片还专门对AI进行了优化。&/p&&p&谷歌在官方博客中表示，在新发布的Cloud TPU帮助下，不到一天的时间，你就可以在ImageNet上把ResNet-50模型训练到75%的精度，成本不足200美元。&/p&&p&从现在起，每小时6.5美元，你也能用上谷歌TPU了。&/p&&p&理论上。&/p&&figure&&img src=&https://pic3.zhimg.com/v2-ecbbc92b7ce90e4bfb0b_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&1080& data-rawheight=&467& class=&origin_image zh-lightbox-thumb& width=&1080& data-original=&https://pic3.zhimg.com/v2-ecbbc92b7ce90e4bfb0b_r.jpg&&&/figure&&h2&&b&谷歌博客全文&/b&&/h2&&p&Google的机器学习利器Cloud TPU，从今天开始面向更多用户开放了。&/p&&p&Cloud TPU今天发布了beta版，这一版本通过谷歌云平台（Google Cloud Platform, GCP）提供，想帮更多机器学习专家更快地运行模型。&/p&&p&Cloud TPU是谷歌设计的硬件加速器，专为加速、扩展特定的TensorFlow机器学习工作负载而优化。&/p&&p&每个Cloud TPU包含4个定制化的ASIC，单块板卡的计算能力达到每秒180万亿次浮点运算（180 teraflops），有64GB的高带宽内存。&/p&&p&这些板卡可以单独使用，也可以通过超高速专用网络连接起来，形成“TPU pod”。今年晚些时候，Google会开始通过GCP供应这种更大的超级计算机。&/p&&figure&&img src=&https://pic1.zhimg.com/v2-5c3b58a23309bbd26d81a_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&768& data-rawheight=&531& class=&origin_image zh-lightbox-thumb& width=&768& data-original=&https://pic1.zhimg.com/v2-5c3b58a23309bbd26d81a_r.jpg&&&/figure&&p&Google设计Cloud TPU的目标，是针对性地为TensorFlow工作负载提供一分钱一分货的差异化性能，让研究人员能更快地进行迭代。&/p&&p&例如：&/p&&ul&&li&你能通过自定义、可控制的Google Compute Engine虚拟机，对联网的Cloud TPU进行交互式的、独享的访问，而不用等待自己的工作在共享计算集群上排队。&/li&&li&你能连夜在一组Cloud TPU上训练出同一个模型的几个变体，第二天将训练出来的最精确的模型部署到生产中，而不用等几天、甚至几周来训练关键业务机器学习模型。&/li&&li&不到一天的时间，你就可以在ImageNet上把ResNet-50模型训练到75%的精度，成本不到200美元。&br&Google还专门为此准备了一份教程：&a href=&https://link.zhihu.com/?target=https%3A//cloud.google.com/tpu/docs/tutorials/resnet& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&cloud.google.com/tpu/do&/span&&span class=&invisible&&cs/tutorials/resnet&/span&&span class=&ellipsis&&&/span&&/a&&/li&&/ul&&h2&&b&更简单的机器学习模型训练&/b&&/h2&&p&过去，为定制ASIC和超级计算机编程需要深入的专业知识技能。相比之下，要对Cloud TPU编程，用高级TensorFlow API就可以了，Google还开源了一组高性能的云TPU模型实现，上手更简单：&/p&&ul&&li&图像分类模型：&br&ResNet-50 &a href=&https://link.zhihu.com/?target=https%3A//cloud.google.com/tpu/docs/tutorials/resnet& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&cloud.google.com/tpu/do&/span&&span class=&invisible&&cs/tutorials/resnet&/span&&span class=&ellipsis&&&/span&&/a&&br&其他图像分类模型&a href=&https://link.zhihu.com/?target=https%3A//github.com/tensorflow/tpu/tree/master/models/official& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&github.com/tensorflow/t&/span&&span class=&invisible&&pu/tree/master/models/official&/span&&span class=&ellipsis&&&/span&&/a&&/li&&li&用于机器翻译和语言建模的Transformer：&br&&a href=&https://link.zhihu.com/?target=https%3A//cloud.google.com/tpu/docs/tutorials/transformer& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&cloud.google.com/tpu/do&/span&&span class=&invisible&&cs/tutorials/transformer&/span&&span class=&ellipsis&&&/span&&/a&&/li&&li&用于对象检测的RetinaNet：&br&&a href=&https://link.zhihu.com/?target=https%3A//github.com/tensorflow/tpu/blob/master/models/official/retinanet/README.md& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&github.com/tensorflow/t&/span&&span class=&invisible&&pu/blob/master/models/official/retinanet/README.md&/span&&span class=&ellipsis&&&/span&&/a&&/li&&/ul&&figure&&img src=&https://pic4.zhimg.com/v2-ec1f0fe6adb5519446dbf4_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&1080& data-rawheight=&590& class=&origin_image zh-lightbox-thumb& width=&1080& data-original=&https://pic4.zhimg.com/v2-ec1f0fe6adb5519446dbf4_r.jpg&&&/figure&&p&Google在博客中说，经过对性能和收敛性的不断测试，这些模型都达到了标准数据集的预期精度。&/p&&p&以后，Google会逐渐推出更多模型实现。不过，想要探险的机器学习专家也可以用他们提供的文档和工具，自行在Cloud TPU上优化其他TensorFlow模型。&/p&&p&现在开始用Cloud TPU，等到今年晚些时候Google推出TPU pod的时候，训练的时间-精度比能得到惊人的提升。&/p&&p&在NIPS 2017上，Google曾宣布ResNet-50和Transformer两个模型在完整TPU pod上的训练时间，都从大半天下降到了30分钟以内，不需要改动任何代码。&/p&&h2&&b&可扩展的机器学习平台&/b&&/h2&&p&云TPU还简化了机器学习计算资源的规划和管理：&/p&&p&你可以为团队提供最先进的机器学习加速，并根据需求的变化动态调整生产力。&/p&&p&你可以直接用经过Google多年优化的高度集成机器学习基础设施，无需投入大量金钱、时间、专业人才来设计、安装、维护现场机器学习计算集群，不用考虑供电、冷却、联网、存储要求等问题。&/p&&p&Google Cloud TPU经过预先配置，不需要安装驱动程序，因此，也不用想方设法让一大群工作站和服务器的驱动程序保持最新。&/p&&p&和其他Google云服务一样，有复杂的安全机制保护着你的数据。&/p&&p&Google说要为客户的每个机器学习负载提供最适合的云服务，除了TPU之外，他们还提供英特尔Skylake等高性能CPU，和包括英伟达Tesla V100在内的高端GPU。&/p&&h2&&b&开始使用吧&/b&&/h2&&p&Cloud TPU今天开始提供，数量有限，按秒计费。每个Cloud TPU每小时6.5美元。&/p&&p&要使用beta版的Cloud TPU，需要填个表，描述一下你要用TPU干什么，向Google申请配额：&a href=&https://link.zhihu.com/?target=https%3A//services.google.com/fb/forms/cloud-tpu-beta-request/& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&services.google.com/fb/&/span&&span class=&invisible&&forms/cloud-tpu-beta-request/&/span&&span class=&ellipsis&&&/span&&/a&&/p&&p&Google说，会尽快让你用上Cloud TPU。&/p&&p&2月27日，Google还要开一场在线讲座，再细致地谈一谈Cloud TPU。&/p&&p&在Google的博客文章中，提到了两家客户使用Cloud TPU的感受。&/p&&p&一家是投资公司Two Sigma。他们的深度学习研究现在主要在云上进行，该公司CTO Alfred Spector说：“将TensorFlow工作负载转移到TPU上，大大降低了编程新模型的复杂性，缩短了训练时间。”&/p&&p&另一家是共享出行公司Lyft。深度学习正在成为这家公司无人车研究的重要组成部分。&/p&&p&更多关于Cloud TPU的信息，可以去官方网站看一看：&a href=&https://link.zhihu.com/?target=https%3A//cloud.google.com/tpu/& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&cloud.google.com/tpu/&/span&&span class=&invisible&&&/span&&/a&&/p&&figure&&img src=&https://pic1.zhimg.com/v2-5c3b58a23309bbd26d81a_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&768& data-rawheight=&531& class=&origin_image zh-lightbox-thumb& width=&768& data-original=&https://pic1.zhimg.com/v2-5c3b58a23309bbd26d81a_r.jpg&&&/figure&&h2&&b&何为TPU？&/b&&/h2&&p&TPU是Tensor Processing Unit的缩写简称，是一种ASIC（专用集成电路），也是Google自己开发的一款AI专用芯片，主要用于提高人工智能计算任务的执行效率。&/p&&p&Google将其用在神经网络的推理环节，在此之前，业界通常在使用GPU加速的服务器上进行。在TPU推出后，谷歌表示，这比直接使用GPU或基本的x86芯片速度快很多。&/p&&p&TPU通过两个PCI-E 3.0 x8边缘连接器连接协处理器，总共有16 GB/s的双向带宽。TPU消耗功率达40瓦，远高于PCI-E电源规格，可为8位整数运算提供每秒92万亿次的运算，或为16位整数运算提供每秒23万亿次的运算。&/p&&p&在去年4月一篇有75位联合作者的论文《In-Datacenter Performance Analysis of a Tensor Processing UnitTM》中，Google团队对TPU进行了分析：与同期的CPU和GPU相比，可以提供15-30倍的性能提升，以及30-80倍的效率（性能/瓦特）提升。&/p&&p&第一代TPU被谷歌广泛应用在了AlphaGo、搜索、翻译、相册等背后的机器学习模型中，这为第二代TPU的迭代奠定了基础。&/p&&p&值得一提的是，击败李世石的AlphaGo版本中，通过Google云，耗用50个TPU进行计算；而到了击败柯洁的AlphaGo版本中，单机运行，物理服务器上部署了4个TPU；最后在最新的AlphaZero版本中，则使用了5000个一代TPU和64个二代TPU，从0开始学习24小时后，就击败了国际象棋、将棋、围棋等三个领域的世界冠军。&/p&&h2&&b&第二代TPU&/b&&/h2&&p&第二代TPU在去年5月18日的Google I/O 大会上推出，也称为&b&云TPU&/b&。云TPU对推理和训练都进行了优化。&/p&&p&Google大脑研究团队主管Jeff Dean表示：“我们的TPU拥有世界一流的ASIC设计团队，第二代TPU芯片采用了与第一代完全不同的设计架构,第一代芯片由于只进行推理运算所以体积较小，而在第二代芯片中我们加入了能满足训练需求的硬件结构，同时还考虑了如何将这些计算单元组合成大型系统的架构方法。”&/p&&p&第二代TPU通过四个TPU芯片的组合板，可以实现180Tera次每秒用于深度学习训练和推理的浮点运算，如果再将64个这样的TPU系统板通过网络连接起来，浮点性能可以达到惊人的11.5PFLOPS，远远超过世界上前五百超级计算机的算力。风头大大盖过了同一时期Nvidia推出的Volta架构GPU。&/p&&p&TPU 2和第一代不同的是，第一代选用了量化整数运算，而第二代用的是浮点运算。这样一来你就不用把训练好的模型转换使用量化整数做推理了。你直接用训练时用的浮点做推理就好，这样部署起来也容易很多。&/p&&p&实际上，第二代TPU推出之时，也能看出Google在AI芯片方面的发展思路：并非为了与GPU直接竞争，而是利用TPU在公有云行业差异化发展。&/p&&p&Google CEO皮查伊在I/O大会的主题演讲中强调：“我们希望谷歌云成为机器学习领域最优秀的云。这为重大进步打下了基础。”&/p&&p&为了使计算性能更强大，Google开发了订制的超高速网络，将64颗TPU连接至同一台机器学习超级计算机。这台超级计算机被称作“TPU舱”，带来了每秒11.5千万亿次浮点运算的能力，可用于训练单一的大型机器学习模型，或多个较小的模型。&/p&&p&为了证明TPU舱的性能，Google表示，如果想要训练最新的大规模翻译模型，那么使用32颗全球最强大的商用GPU需要一整天时间。作为对比，TPU舱只需1/8的性能，就能在6小时内完成对该模型的训练。&/p&&p&单个的云TPU和完整的TPU舱均支持谷歌开源的TensorFlow机器学习系统。&/p&&p&去年的Google I/O大会上，Google还发布了“TensorFlow研究云”。这是由1000颗云TPU组成的簇，在满足某些条件的情况下Google将免费提供给研究者使用。如果希望使用，那么研究者必须同意公开发表研究成果，或许还需要开源研究中的相关代码。&/p&&p&而对参与非公开研究的人士，Google计划启动云TPU Alpha项目，而现在，更加宏伟的计划得以正式公开。&/p&&figure&&img src=&https://pic4.zhimg.com/v2-3afa4d8d265a86b0e70a86fc65c9e57e_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&1080& data-rawheight=&678& class=&origin_image zh-lightbox-thumb& width=&1080& data-original=&https://pic4.zhimg.com/v2-3afa4d8d265a86b0e70a86fc65c9e57e_r.jpg&&&/figure&&h2&&b&TPU往事&/b&&/h2&&p&早在2006年，Google就在考虑为神经网络构建一个专用集成电路（ASIC）。2013年这个需求变得更加紧迫，当时Google意识到快速增长的计算需求，可能意味着数据中心的数量需要翻番才能满足。&/p&&p&通常而言，ASIC的开发需要耗时数年。但具体到TPU而言，从设计到验证、构建和部署到数据中心里，只需要15个月。&/p&&p&具体TPU何时正式研发成功，并不得而知，但Google方面透露，从2015年开始就一直在内部使用TPU，并在2016年5月的Google I/O开发者大会上，对外公布了TPU的存在。&/p&&p&另外还有个趣事。&/p&&p&最初参与TPU研究的10个人中，有8个工程师遭遇风投挖角，创业成立了一家名为Groq的AI芯片公司，这家公司的创始人兼CEO是Doug Wightman，CTO是Jonathan Ross，COO则是原赛灵思(Xilinx)的营销副总裁Krishna Rangasayee。&/p&&p&挖角的风投则是Social Capital创始人、首席执行官Chamath Palihapitiya，他给了Groq团队上千万美元的启动资金。&/p&&p&Groq的AI芯片对标英伟达的GPU，声称是专门为人工智能重新定制一款芯片，他们还打算在2018年发布第一代AI芯片产品。&/p&&p&留给Groq兑现承诺的时间不多了。&/p&&p&— &b&完&/b& —&/p&&p&欢迎大家关注我们的专栏：&a href=&https://zhuanlan.zhihu.com/qbitai& class=&internal&&量子位 - 知乎专栏&/a&&/p&&p&诚挚招聘&/p&&p&量子位正在招募编辑/记者，工作地点在北京中关村。期待有才气、有热情的同学加入我们！相关细节，请在量子位公众号(QbitAI)对话界面，回复“招聘”两个字。&/p&&p&&a href=&https://zhuanlan.zhihu.com/qbitai& class=&internal&&量子位 QbitAI&/a& · 头条号签约作者&/p&&p&?'?' ? 追踪AI技术和产品新动态&/p&
夏乙 李根 假装发自 凹非寺 量子位 出品 | 公众号 QbitAI谷歌又出手了。又是一个大招。（）这次谷歌传奇Jeff Dean亲自在推特上连发10条，满怀激动地对外宣布着这个消息：谷歌TPU首次对外全面开放。AI芯片和公有云市场将迎来新的变局。之前英伟达的黄…
&figure&&img src=&https://pic2.zhimg.com/v2-fa311feaea53d0ec811645f_b.jpg& data-rawwidth=&1280& data-rawheight=&720& class=&origin_image zh-lightbox-thumb& width=&1280& data-original=&https://pic2.zhimg.com/v2-fa311feaea53d0ec811645f_r.jpg&&&/figure&&p&&/p&&figure&&img src=&https://pic2.zhimg.com/v2-4fa3c39af2dee28768ba90_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&350& data-rawheight=&350& class=&content_image& width=&350&&&/figure&&p&本期 &a href=&https://link.zhihu.com/?target=https%3A//goo.gl/UC5usG& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Cloud AI Adventures&/a&，我（Yufeng Guo）请到了 Google Research 工程师 Justin Zhao，在录影棚中一起展示怎么样生成听起来自然不别扭的话语。同时我们还会讨论这项技术会怎样融入平常百姓家，比如当你向 Google Home 问询天气情况。&/p&&p&我们还会讨论一些已经应用于自然语言生成的机器学习技术，以及该领域最先进的技术。这会是一个充满乐趣和知识的讨论，尽情享受吧！&/p&&blockquote&这是一个系列视频/文章 「AI Adventures」中的第八篇，由 Google 的开发技术推广工程师 Yufeng Guo 主讲，用通俗易懂的语言帮助你了解人工智能和机器学习。在这一系列视频/文章中，我们将一起探秘人工智能的世界，共同品味艺术、探索科学以及掌握机器学习的工具。&br&第一篇：&a href=&https://zhuanlan.zhihu.com/p/& class=&internal&&机器学习是什么？&/a&&br&第二篇：&a href=&https://zhuanlan.zhihu.com/p/& class=&internal&&机器学习「七步走」&/a&&br&第三篇：&a href=&https://zhuanlan.zhihu.com/p/& class=&internal&&用评估器给花卉分类&/a&&br&第四篇：&a href=&https://zhuanlan.zhihu.com/p/& class=&internal&&弹性伸缩的云端托管服务&/a&&br&第五篇：&a href=&https://zhuanlan.zhihu.com/p/& class=&internal&&通过 TensorBoard 将模型可视化&/a&&br&第六篇：&a href=&https://zhuanlan.zhihu.com/p/& class=&internal&&通过深度神经网络再识评估器&/a&&br&第七篇：&a href=&https://zhuanlan.zhihu.com/p/& class=&internal&&云端训练模型的大数据解决方案&/a&&br&所有的内容和视频都会首发在「&a href=&https://zhuanlan.zhihu.com/tensorflowcn& class=&internal&&机智如你&/a&」专栏，目标是发布最新与谷歌相关的机器学习、TensorFlow 相关内容，如果你有任何问题，也欢迎在留言区向我们提出反馈&/blockquote&&a class=&video-box& href=&https://link.zhihu.com/?target=https%3A//www.zhihu.com/video/525696& target=&_blank& data-video-id=&& data-video-playable=&true& data-name=&& data-poster=&https://pic2.zhimg.com/v2-33a551f76aa434c0bedf08.jpg& data-lens-id=&525696&&
&img class=&thumbnail& src=&https://pic2.zhimg.com/v2-33a551f76aa434c0bedf08.jpg&&&span class=&content&&
&span class=&title&&&span class=&z-ico-extern-gray&&&/span&&span class=&z-ico-extern-blue&&&/span&&/span&
&span class=&url&&&span class=&z-ico-video&&&/span&https://www.zhihu.com/video/525696&/span&
&blockquote&视频约 200M，请在 WiFi 下观看&/blockquote&&p&当前我们正在尝试一种新的 &a href=&https://link.zhihu.com/?target=https%3A//goo.gl/UC5usG& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Cloud AI Adventures&/a& 分享形式，我将会通过访谈人工智能及机器学习领域的专家、同他们讨论其研究领域及发展状况。准备这一期分享真的是个充满惊喜的过程啊！如果你觉得这种结构还不错，请一定告诉我！&/p&&hr&&p&关注&a href=&https://www.zhihu.com/people/chenglu& class=&internal&&我&/a&或者「&a href=&https://zhuanlan.zhihu.com/tensorflowcn& class=&internal&&机智如你&/a&」专栏，不要错过后续更新（原汁原味的分享，请关注 Yufeng G 的 &a href=&https://link.zhihu.com/?target=https%3A//medium.com/%40yufengg& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Medium&/a& 和 &a href=&https://link.zhihu.com/?target=https%3A//www.youtube.com/playlist%3Flist%3DPLIivdWyY5sqJxnwJhe3etaK7utrBiPBQ2& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&YouTube&/a& 频道）。&/p&&p&&br&&/p&&p&▏原文出处：&a href=&https://link.zhihu.com/?target=https%3A//towardsdatascience.com/natural-language-generation-at-google-research-bbf2c3756d80& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Medium - Natural Language Generation at Google Research&/a&&/p&&p&▏封面来源：&a href=&https://link.zhihu.com/?target=https%3A//www.youtube.com/watch%3Fv%3DMNvT5JekDpg& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&YouTube 视频缩略图&/a&&/p&&p&▏视频出处：&a href=&https://link.zhihu.com/?target=https%3A//www.youtube.com/watch%3Fv%3DMNvT5JekDpg& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&YouTube - Natural Language Generation at Google Research&/a&&/p&&p&▏字幕翻译：&a href=&https://zhuanlan.zhihu.com/gdsub& class=&internal&&谷创字幕组&/a&&/p&&p&▏文章编辑： &a class=&member_mention& href=&https://www.zhihu.com/people/bdf& data-hash=&bdf& data-hovercard=&p$b$bdf&&@杨栋&/a&&/p&
本期 ，我（Yufeng Guo）请到了 Google Research 工程师 Justin Zhao，在录影棚中一起展示怎么样生成听起来自然不别扭的话语。同时我们还会讨论这项技术会怎样融入平常百姓家，比如当你向 Google Home 问询天气情况。我们还会讨论一些已…
&p&我们分析了GitHub上的前20名Python机器学习项目，发现scikit-Learn，PyLearn2和NuPic是贡献最积极的项目。让我们一起在Github上探索这些流行的项目！&/p&&ol&&li&&a href=&https://link.zhihu.com/?target=https%3A//yq.aliyun.com/articles/www.github.com/scikit-learn/scikit-learn& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Scikit-learn&/a&：Scikit-learn 是基于Scipy为机器学习建造的的一个Python模块，他的特色就是多样化的分类，回归和聚类的算法包括支持向量机，逻辑回归，朴素贝叶斯分类器，随机森林，Gradient Boosting，聚类算法和DBSCAN。而且也设计出了Python numerical和scientific libraries Numpy and Scipy&/li&&li&&a href=&https://link.zhihu.com/?target=https%3A//yq.aliyun.com/articles/www.github.com/lisa-lab/pylearn2& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Pylearn2&/a&：Pylearn是一个让机器学习研究简单化的基于Theano的库程序。&/li&&li&&a href=&https://link.zhihu.com/?target=https%3A//yq.aliyun.com/articles/www.github.com/numenta/nupic& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&NuPIC&/a&：NuPIC是一个以HTM学习算法为工具的机器智能平台。HTM是皮层的精确计算方法。HTM的核心是基于时间的持续学习算法和储存和撤销的时空模式。NuPIC适合于各种各样的问题,尤其是检测异常和预测的流数据来源。&/li&&li&&a href=&https://link.zhihu.com/?target=https%3A//yq.aliyun.com/articles/www.github.com/nilearn/nilearn& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Nilearn&/a&：Nilearn 是一个能够快速统计学习神经影像数据的Python模块。它利用Python语言中的scikit-learn 工具箱和一些进行预测建模，分类，解码，连通性分析的应用程序来进行多元的统计。&/li&&li&&a href=&https://link.zhihu.com/?target=https%3A//yq.aliyun.com/articles/www.github.com/pybrain/pybrain& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&PyBrain&/a&：Pybrain是基于Python语言强化学习，人工智能，神经网络库的简称。 它的目标是提供灵活、容易使用并且强大的机器学习算法和进行各种各样的预定义的环境中测试来比较你的算法。&/li&&li&&a href=&https://link.zhihu.com/?target=https%3A//yq.aliyun.com/articles/www.github.com/clips/pattern& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Pattern&/a&：Pattern 是Python语言下的一个网络挖掘模块。它为数据挖掘，自然语言处理，网络分析和机器学习提供工具。它支持向量空间模型、聚类、支持向量机和感知机并且用KNN分类法进行分类。&/li&&li&&a href=&https://link.zhihu.com/?target=https%3A//yq.aliyun.com/articles/www.github.com/mila-udem/fuel& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Fuel&/a&：Fuel为你的机器学习模型提供数据。他有一个共享如MNIST, CIFAR-10 (图片数据集), Google's One Billion Words (文字)这类数据集的接口。你使用他来通过很多种的方式来替代自己的数据。&/li&&li&&a href=&https://link.zhihu.com/?target=https%3A//yq.aliyun.com/articles/www.github.com/idiap/bob& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Bob&/a&：Bob是一个免费的信号处理和机器学习的工具。它的工具箱是用Python和C++语言共同编写的，它的设计目的是变得更加高效并且减少开发时间，它是由处理图像工具,音频和视频处理、机器学习和模式识别的大量软件包构成的。&/li&&li&&a href=&https://link.zhihu.com/?target=https%3A//yq.aliyun.com/articles/www.github.com/jaberg/skdata& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Skdata&/a&：Skdata是机器学习和统计的数据集的库程序。这个模块对于玩具问题，流行的计算机视觉和自然语言的数据集提供标准的Python语言的使用。&/li&&li&&a href=&https://link.zhihu.com/?target=https%3A//yq.aliyun.com/articles/www.github.com/luispedro/milk& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&MILK&/a&：MILK是Python语言下的机器学习工具包。它主要是在很多可得到的分类比如SVMS,K-NN,随机森林，决策树中使用监督分类法。 它还执行特征选择。 这些分类器在许多方面相结合,可以形成不同的例如无监督学习、密切关系金传播和由MILK支持的K-means聚类等分类系统。&/li&&li&&a href=&https://link.zhihu.com/?target=https%3A//yq.aliyun.com/articles/www.github.com/machinalis/iepy& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&IEPY&/a&：IEPY是一个专注于关系抽取的开源性信息抽取工具。它主要针对的是需要对大型数据集进行信息提取的用户和想要尝试新的算法的科学家。&/li&&li&&a href=&https://link.zhihu.com/?target=https%3A//yq.aliyun.com/articles/www.github.com/machinalis/quepy& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Quepy&/a&：Quepy是通过改变自然语言问题从而在数据库查询语言中进行查询的一个Python框架。他可以简单的被定义为在自然语言和数据库查询中不同类型的问题。所以，你不用编码就可以建立你自己的一个用自然语言进入你的数据库的系统。现在Quepy提供对于Sparql和MQL查询语言的支持。并且计划将它延伸到其他的数据库查询语言。&/li&&li&&a href=&https://link.zhihu.com/?target=https%3A//yq.aliyun.com/articles/www.github.com/hannes-brt/hebel& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Hebel&/a&：Hebel是在Python语言中对于神经网络的深度学习的一个库程序，它使用的是通过PyCUDA来进行GPU和CUDA的加速。它是最重要的神经网络模型的类型的工具而且能提供一些不同的活动函数的激活功能，例如动力，涅斯捷罗夫动力，信号丢失和停止法。&/li&&li&&a href=&https://link.zhihu.com/?target=https%3A//yq.aliyun.com/articles/www.github.com/rasbt/mlxtend& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&mlxtend&/a&：它是一个由有用的工具和日常数据科学任务的扩展组成的一个库程序。&/li&&li&&a href=&https://link.zhihu.com/?target=https%3A//yq.aliyun.com/articles/www.github.com/dnouri/nolearn& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&nolearn&/a&：这个程序包容纳了大量能对你完成机器学习任务有帮助的实用程序模块。其中大量的模块和scikit-learn一起工作，其它的通常更有用。&/li&&li&&a href=&https://link.zhihu.com/?target=https%3A//yq.aliyun.com/articles/www.github.com/kvh/ramp& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Ramp&/a&：Ramp是一个在Python语言下制定机器学习中加快原型设计的解决方案的库程序。他是一个轻型的pandas-based机器学习中可插入的框架，它现存的Python语言下的机器学习和统计工具（比如scikit-learn,rpy2等）Ramp提供了一个简单的声明性语法探索功能从而能够快速有效地实施算法和转换。&/li&&li&&a href=&https://link.zhihu.com/?target=https%3A//yq.aliyun.com/articles/www.github.com/machinalis/featureforge& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Feature Forge&/a&：这一系列工具通过与scikit-learn兼容的API，来创建和测试机器学习功能。这个库程序提供了一组工具，它会让你在许多机器学习程序使用中很受用。当你使用scikit-learn这个工具时，你会感觉到受到了很大的帮助。（虽然这只能在你使用不同的算法时起作用。）&/li&&li&&a href=&https://link.zhihu.com/?target=https%3A//yq.aliyun.com/articles/www.github.com/yandex/rep& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&REP&/a&：REP是以一种和谐、可再生的方式为指挥数据移动驱动所提供的一种环境。它有一个统一的分类器包装来提供各种各样的操作，例如TMVA, Sklearn, XGBoost, uBoost等等。并且它可以在一个群体以平行的方式训练分类器。同时它也提供了一个交互式的情节。&/li&&li&&a href=&https://link.zhihu.com/?target=https%3A//yq.aliyun.com/articles/www.github.com/awslabs/machine-learning-samples& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Python 学习机器样本&/a&：用亚马逊的机器学习建造的简单软件收集。&/li&&li&&a href=&https://link.zhihu.com/?target=https%3A//yq.aliyun.com/articles/www.github.com/dclambert/Python-ELM& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Python-ELM&/a&：这是一个在Python语言下基于scikit-learn的极端学习机器的实现。&/li&&/ol&&p&以上为全部译文&/p&&p&文章原标题&i&Top 20 Python Machine Learning Open Source Projects&/i&，译者：Anchor C.，审阅：虎说八道。&/p&&p&文章为简译，更多内容请查看&a href=&https://link.zhihu.com/?target=http%3A//click.aliyun.com/m/36443/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&原文&/a&&/p&&p&&b&更多技术干货敬请关注云栖社区知乎机构号：&a href=&https://www.zhihu.com/org/a-li-yun-yun-qi-she-qu-48& class=&internal&&阿里云云栖社区 - 知乎&/a&&/b&&/p&
我们分析了GitHub上的前20名Python机器学习项目，发现scikit-Learn，PyLearn2和NuPic是贡献最积极的项目。让我们一起在Github上探索这些流行的项目！：Scikit-learn 是基于Scipy为机器学习建造的的一个Python模块，他的特色就是多样化的分类，…
&figure&&img src=&https://pic3.zhimg.com/v2-0fb31fda6f5bf38fdf4a8a5cdbb45d41_b.jpg& data-rawwidth=&1919& data-rawheight=&613& class=&origin_image zh-lightbox-thumb& width=&1919& data-original=&https://pic3.zhimg.com/v2-0fb31fda6f5bf38fdf4a8a5cdbb45d41_r.jpg&&&/figure&&blockquote&&b&简评：&/b&机器学习的算法繁多，其中很多算法是一类算法，而有些算法又是从其他算法中衍生出来的，本文从算法类似性简单地列举一些常见的算法。&/blockquote&&p&&b&回归算法 Regression Algorithms&/b&&/p&&p&回归算法最初来自于统计学，是一种通过最小化预测值与实际结果值之间的差距，而得到输入特征之间的最佳组合方式的一类算法。&/p&&p&常见的回归算法有：&/p&&ul&&li&最小二乘回归&/li&&li&线性回归&/li&&li&Logistic 回归&/li&&/ul&&p&拓展：&a href=&https://link.zhihu.com/?target=https%3A//www.coursera.org/learn/regression-models/lecture/Kz1eV/introduction-to-regression& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Coursera Course&/a& by Johns Hopkins&/p&&figure&&img src=&https://pic1.zhimg.com/v2-7dfbcdde_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&1200& data-rawheight=&800& class=&origin_image zh-lightbox-thumb& width=&1200& data-original=&https://pic1.zhimg.com/v2-7dfbcdde_r.jpg&&&/figure&&hr&&p&&b&聚类算法 Clustering Algorithms&/b&&/p&&p&聚类的本质就是寻找联系紧密的事物，把他们区分出来。聚类算法做的事情是，把输入样本聚成围绕一些中心的数据点，以发现数据分布结构的一些规律。&/p&&p&常见的聚类算法有：&/p&&ul&&li&K-均值聚类&/li&&li&层次聚类&/li&&li&图团体检测&/li&&/ul&&p&拓展：&a href=&https://link.zhihu.com/?target=https%3A//www.youtube.com/watch%3Fv%3DZueoXMgCd1c& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Amazing introductory video on clustering&/a&&/p&&figure&&img src=&https://pic2.zhimg.com/v2-af011ea8ca64be8fe4415b_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&600& data-rawheight=&400& class=&origin_image zh-lightbox-thumb& width=&600& data-original=&https://pic2.zhimg.com/v2-af011ea8ca64be8fe4415b_r.jpg&&&/figure&&hr&&p&&b&降维算法 Dimensionality reduction algorithms&/b&&/p&&p&降维就是指采用某种映射方法，将原高维空间中的数据点映射到低维度的空间中。降维算法能够去除冗余信息以及噪音信息，用更少的信息总结和描述出原始信息的大部分内容。 &/p&&p&常见的降维算法：&/p&&ul&&li&主成分分析算法&/li&&li&低方差滤波&/li&&li&高相关滤波&/li&&li&随机森林&/li&&li&反向特征消除 / 前向特征构造&/li&&/ul&&p&拓展：&a href=&https://link.zhihu.com/?target=https%3A//www.kdnuggets.com/-methods-data-dimensionality-reduction.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&KDnuggets blog&/a&&/p&&figure&&img src=&https://pic3.zhimg.com/v2-1bc581dbe99fafdeb11a_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&698& data-rawheight=&702& class=&origin_image zh-lightbox-thumb& width=&698& data-original=&https://pic3.zhimg.com/v2-1bc581dbe99fafdeb11a_r.jpg&&&/figure&&hr&&p&&b&决策树算法 Decision tree algorithms&/b&&/p&&p&决策树算法在机器学习中算是很经典的了，决策树会根据数据中的值来创建决策模型，预测阶段选择路径进行决策。与其他算法不同的一点是，它们很容易在许多不同的数据类型上使用。&/p&&p&常见的决策树算法：&/p&&ul&&li&分类及回归树（CART）&/li&&li&C4.5 and C5.0&/li&&li&随机森林&/li&&li&Chi-squared Automatic Interaction Detection (CHAID)&/li&&/ul&&p&拓展：&a href=&https://link.zhihu.com/?target=https%3A//www.analyticsvidhya.com/blog/2016/04/complete-tutorial-tree-based-modeling-scratch-in-python/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Analytics Vidhya&/a&，本文是关于决策树较为深入的文章&/p&&figure&&img src=&https://pic4.zhimg.com/v2-309224dba670ecb2de813b10e268f4b3_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&724& data-rawheight=&571& class=&origin_image zh-lightbox-thumb& width=&724& data-original=&https://pic4.zhimg.com/v2-309224dba670ecb2de813b10e268f4b3_r.jpg&&&/figure&&hr&&p&&b&深度学习 Deep Learning&/b&&/p&&p&深度学习近期在国内引起很大关注，它是一种半监督式学习算法，用来处理存在少量未标识数据的大数据集。利用摩尔定律带来的日益价廉的计算能力，深度学习得以建立大得多也复杂得多的神经网络。大众最熟知的例子就是围棋 AI —— &a href=&https://link.zhihu.com/?target=https%3A//en.wikipedia.org/wiki/AlphaGo& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Alpha Go&/a&。&/p&&p&常见的深度学习算法：&/p&&ul&&li&堆栈式自动编码器（Stacked Auto-encoders）&/li&&li&卷积神经网络（Convolution Neural Network）&/li&&li&递归神经网络（Recurrent neural networks）&/li&&li&胶囊网络（&a href=&https://link.zhihu.com/?target=https%3A//hackernoon.com/what-is-a-capsnet-or-capsule-network-2bfbe48769cc& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Capsule Networks&/a&）&/li&&/ul&&p&拓展：&a href=&https://link.zhihu.com/?target=https%3A//www.safaribooksonline.com/library/view/deep-learning/0/ch04.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&这本书的片段&/a& 覆盖了深度学习的主要架构。&/p&&figure&&img src=&https://pic4.zhimg.com/v2-a468902ebc072da613bacf0ee564c280_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&750& data-rawheight=&384& class=&origin_image zh-lightbox-thumb& width=&750& data-original=&https://pic4.zhimg.com/v2-a468902ebc072da613bacf0ee564c280_r.jpg&&&/figure&&figure&&img src=&https://pic3.zhimg.com/v2-9b66dfd80e_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&600& data-rawheight=&85& class=&origin_image zh-lightbox-thumb& width=&600& data-original=&https://pic3.zhimg.com/v2-9b66dfd80e_r.jpg&&&/figure&&blockquote&&b&原文链接：&/b&&/blockquote&&ul&&li&&a href=&https://link.zhihu.com/?target=https%3A//towardsdatascience.com/essential-algorithms-every-ml-engineer-needs-to-know-f& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Essential Algorithms Every ML Engineer Needs to Know&/a&&/li&&/ul&&blockquote&&b&推荐阅读：&/b&&/blockquote&&ul&&li&&a href=&https://zhuanlan.zhihu.com/p/& class=&internal&&机器学习领域值得关注的 10 位 Quora 大咖&/a&&/li&&li&&a href=&https://zhuanlan.zhihu.com/p/& class=&internal&&数据科学中应该学习哪些语言？&/a&&/li&&li&&a href=&https://zhuanlan.zhihu.com/p/& class=&internal&&不同编程语言的学习曲线&/a&&/li&&/ul&&p&极光日报，&a href=&https://link.zhihu.com/?target=https%3A//www.jiguang.cn/%3Fsrc%3Djiguangdaily%26hmsr%3D%25E6%259E%%E6%%25E6%258A%25A5%26hmpl%3D%26hmcu%3D%26hmkw%3D%26hmci%3D& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&极光开发者&/a& 的 Side Project，欢迎关注。&/p&
简评：机器学习的算法繁多，其中很多算法是一类算法，而有些算法又是从其他算法中衍生出来的，本文从算法类似性简单地列举一些常见的算法。回归算法 Regression Algorithms回归算法最初来自于统计学，是一种通过最小化预测值与实际结果值之间的差距，而得到…
&p&&b& 更&/b&：&/p&&p&爬 &a href=&//link.zhihu.com/?target=http%3A//www.stats.gov.cn/tjsj/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&国家统计局统计数据&/a& 呀，如&b&平均工资&/b&。以前不知从哪里听说的xxx市平均月薪三千，没想到查了下数据，发现2016年xxx市平均月薪已经五六千了。 （纸面上，不计M2和通胀等因素)&b&十年翻翻·真·不是梦&/b&。可是在祝贺超大型城市经济腾飞的同时，不免也感慨老家二十八线农村的萧条。&b&其实，那些未上榜的地方才是大多数，发达了还是衰败了，又有谁关注了呢。&/b&&/p&&figure&&img src=&https://pic1.zhimg.com/50/v2-e2addeef5b520_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&570& data-rawheight=&446& class=&origin_image zh-lightbox-thumb& width=&570& data-original=&https://pic1.zhimg.com/50/v2-e2addeef5b520_r.jpg&&&/figure&&figure&&img src=&https://pic3.zhimg.com/50/v2-1cd844e0becee289fb7e1_b.jpg& data-size=&normal& data-rawwidth=&649& data-rawheight=&228& class=&origin_image zh-lightbox-thumb& width=&649& data-original=&https://pic3.zhimg.com/50/v2-1cd844e0becee289fb7e1_r.jpg&&&figcaption&部分城市平均月薪&/figcaption&&/figure&&hr&&p&&b& 更&/b&：编程给图像随机填色呀&/p&&figure&&img src=&https://pic4.zhimg.com/50/v2-67116efc2ea983edbcf5829f_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&1417& data-rawheight=&709& class=&origin_image zh-lightbox-thumb& width=&1417& data-original=&https://pic4.zhimg.com/50/v2-67116efc2ea983edbcf5829f_r.jpg&&&/figure&&figure&&img src=&https://pic4.zhimg.com/50/v2-207be8b94b03b2dd6eda5_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&1417& data-rawheight=&709& class=&origin_image zh-lightbox-thumb& width=&1417& data-original=&https://pic4.zhimg.com/50/v2-207be8b94b03b2dd6eda5_r.jpg&&&/figure&&figure&&img src=&https://pic2.zhimg.com/50/v2-93d7de6f966ecf667febb5_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&1417& data-rawheight=&709& class=&origin_image zh-lightbox-thumb& width=&1417& data-original=&https://pic2.zhimg.com/50/v2-93d7de6f966ecf667febb5_r.jpg&&&/figure&&figure&&img src=&https://pic1.zhimg.com/50/v2-f3e89f312fb68a5d5ca3ca54fbd66330_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&1417& data-rawheight=&709& class=&origin_image zh-lightbox-thumb& width=&1417& data-original=&https://pic1.zhimg.com/50/v2-f3e89f312fb68a5d5ca3ca54fbd66330_r.jpg&&&/figure&&p&&br&&/p&&a href=&https://www.zhihu.com/question//answer/& data-draft-node=&block& data-draft-type=&link-card& data-image=&https://pic1.zhimg.com/80/v2-eb344f00d6fa9aea95ea6e7b6c691bec_180x120.jpg& data-image-width=&1417& data-image-height=&709& class=&internal&&可否通过编程为《秘密花园》填充出和谐的颜色？&/a&&hr&&p&&b&原始回答：&/b&&/p&&p&&br&&/p&&p&爬知乎呀&/p&&figure&&img src=&https://pic1.zhimg.com/50/v2-7ec34d8638c07bacf62522_b.jpg& data-size=&normal& data-rawwidth=&655& data-rawheight=&367& class=&origin_image zh-lightbox-thumb& width=&655& data-original=&https://pic1.zhimg.com/50/v2-7ec34d8638c07bacf62522_r.jpg&&&figcaption&Python 知乎爬虫&/figcaption&&/figure&&p&&br&&/p&&p&爬豆瓣读书呀&/p&&figure&&img src=&https://pic1.zhimg.com/50/v2-cff77d762196dec34130b4c_b.jpg& data-size=&normal& data-rawwidth=&693& data-rawheight=&355& class=&origin_image zh-lightbox-thumb& width=&693& data-original=&https://pic1.zhimg.com/50/v2-cff77d762196dec34130b4c_r.jpg&&&figcaption&Python 豆瓣爬虫&/figcaption&&/figure&&p&爬漫画呀&/p&&figure&&img src=&https://pic4.zhimg.com/50/v2-89d52ee9379ea31fccee92_b.jpg& data-size=&normal& data-rawwidth=&765& data-rawheight=&376& class=&origin_image zh-lightbox-thumb& width=&765& data-original=&https://pic4.zhimg.com/50/v2-89d52ee9379ea31fccee92_r.jpg&&&figcaption&Python 漫画爬虫&/figcaption&&/figure&&p&爬 必应 每日一图 呀&/p&&figure&&img src=&https://pic2.zhimg.com/50/v2-34e64ef5e99fe_b.jpg& data-size=&normal& data-rawwidth=&769& data-rawheight=&464& class=&origin_image zh-lightbox-thumb& width=&769& data-original=&https://pic2.zhimg.com/50/v2-34e64ef5e99fe_r.jpg&&&figcaption&Python 必应每日一图(必应主页背景)爬虫&/figcaption&&/figure&&p&爬天气呀&/p&&figure&&img src=&https://pic3.zhimg.com/50/v2-db0ea5c3bd87d699972d_b.jpg& data-size=&normal& data-rawwidth=&572& data-rawheight=&349& class=&origin_image zh-lightbox-thumb& width=&572& data-original=&https://pic3.zhimg.com/50/v2-db0ea5c3bd87d699972d_r.jpg&&&figcaption&Pyhthon 命令行查询天气 &/figcaption&&/figure&&p&登录wlan呀&/p&&figure&&img src=&https://pic4.zhimg.com/50/v2-ab4c288a2f24cb91a6ee70_b.jpg& data-size=&normal& data-rawwidth=&527& data-rawheight=&134& class=&origin_image zh-lightbox-thumb& width=&527& data-original=&https://pic4.zhimg.com/50/v2-ab4c288a2f24cb91a6ee70_r.jpg&&&figcaption&Python 命令行登录 wlan&/figcaption&&/figure&&p&查询单词呀&/p&&figure&&img src=&https://pic3.zhimg.com/50/v2-fbccd5f483f1d21c087cc00c52242d0b_b.jpg& data-size=&normal& data-rawwidth=&369& data-rawheight=&167& class=&content_image& width=&369&&&figcaption&Python 查单词&/figcaption&&/figure&&p&颜色检测呀&/p&&figure&&img src=&https://pic3.zhimg.com/50/v2-76fb7bb5d0a44b4ebf86_b.jpg& data-size=&normal& data-rawwidth=&652& data-rawheight=&360& class=&origin_image zh-lightbox-thumb& width=&652& data-original=&https://pic3.zhimg.com/50/v2-76fb7bb5d0a44b4ebf86_r.jpg&&&figcaption&Python OpenCV 颜色检测（乒乓球）&/figcaption&&/figure&&p&&br&&/p&&hr&&p&以下主要是专栏文章里的东西 ， 专栏地址：&/p&&p&&br&&/p&&a href=&https://zhuanlan.zhihu.com/python-opencv-image-processing& data-draft-node=&block& data-draft-type=&link-card& data-image=&https://pic3.zhimg.com/v2-cd26d927a9a36fa4b383f80d10866c6a_ipico.jpg& data-image-width=&600& data-image-height=&600& class=&internal&&OpenCV&/a&&p&&br&&/p&&p&瓜子计数呀&/p&&figure&&img src=&https://pic4.zhimg.com/50/v2-ea44805bd4fbdb2af2f03_b.jpg& data-size=&normal& data-rawwidth=&448& data-rawheight=&448& class=&origin_image zh-lightbox-thumb& width=&448& data-original=&https://pic4.zhimg.com/50/v2-ea44805bd4fbdb2af2f03_r.jpg&&&figcaption&Python OpenCV 瓜子计数&/figcaption&&/figure&&p&细胞图像检测呀&/p&&figure&&img src=&https://pic2.zhimg.com/50/v2-604e49fffcfa33a97e862fb1_b.jpg& data-size=&normal& data-rawwidth=&400& data-rawheight=&200& class=&content_image& width=&400&&&figcaption&Python OpenCV 细胞计数(cells counting)&/figcaption&&/figure&&p&&br&&/p&&p&车道线检测呀&/p&&figure&&img src=&https://pic3.zhimg.com/50/v2-1d9aad871dcdeb3d1a422c_b.jpg& data-size=&normal& data-rawwidth=&768& data-rawheight=&432& class=&origin_image zh-lightbox-thumb& width=&768& data-original=&https://pic3.zhimg.com/50/v2-1d9aad871dcdeb3d1a422c_r.jpg&&&figcaption&Python OpenCV 车道线检测&/figcaption&&/figure&&p&&br&&/p&&p&手写数字识别呀&/p&&figure&&img src=&https://pic4.zhimg.com/50/v2-2ca8324aeaae3cb7f579a25aa949aed4_b.jpg& data-size=&normal& data-rawwidth=&698& data-rawheight=&524& class=&origin_image zh-lightbox-thumb& width=&698& data-original=&https://pic4.zhimg.com/50/v2-2ca8324aeaae3cb7f579a25aa949aed4_r.jpg&&&figcaption&Pyhton OpenCV 手写数字识别&/figcaption&&/figure&&p&&br&&/p&&p&图像预处理呀&/p&&figure&&img src=&https://pic1.zhimg.com/50/v2-256badd862cbc3babc55_b.jpg& data-size=&normal& data-rawwidth=&600& data-rawheight=&600& class=&origin_image zh-lightbox-thumb& width=&600& data-original=&https://pic1.zhimg.com/50/v2-256badd862cbc3babc55_r.jpg&&&figcaption&Python OpenCV 霍夫圆检测和极坐标变换&/figcaption&&/figure&&p&&br&&/p&&p&当做 PhotoShop 用来 P图 呀&/p&&figure&&img src=&https://pic4.zhimg.com/50/v2-0cb2004b5ffeec4a14a324a9_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&921& data-rawheight=&752& class=&origin_image zh-lightbox-thumb& width=&921& data-original=&https://pic4.zhimg.com/50/v2-0cb2004b5ffeec4a14a324a9_r.jpg&&&/figure&&p&&br&&/p&&p&高X格的 ”Hello， World!&, 彩虹色的。&/p&&figure&&img src=&https://pic4.zhimg.com/50/v2-5ac7d48ed06b4ebc98875_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&514& data-rawheight=&457& class=&origin_image zh-lightbox-thumb& width=&514& data-original=&https://pic4.zhimg.com/50/v2-5ac7d48ed06b4ebc98875_r.jpg&&&/figure&&a href=&https://www.zhihu.com/question//answer/& data-draft-node=&block& data-draft-type=&link-card& data-image=&https://pic2.zhimg.com/80/v2-5ac7d48ed06b4ebc98875_ipico.jpg& data-image-width=&514& data-image-height=&457& class=&internal&&如何有格调地输出“Hello, World!”？&/a&&a href=&https://www.zhihu.com/question/& data-draft-node=&block& data-draft-type=&link-card& data-image=&https://pic2.zhimg.com/80/v2-2eecaee.jpg& data-image-width=&527& data-image-height=&417& class=&internal&&怎样在本地搭建一个类似于 [知乎插入LaTeX公式] 的应用？&/a&&p&&br&&/p&&p&待续。。。&/p&
呀，如平均工资。以前不知从哪里听说的xxx市平均月薪三千，没想到查了下数据，发现2016年xxx市平均月薪已经五六千了。 （纸面上，不计M2和通胀等因素)十年翻翻·真·不是梦。可是在祝贺超大型城市经济腾飞的同时，不…
&figure&&img src=&https://pic1.zhimg.com/v2-c308c6dff72c6d3c4e4e79cdc82a54ad_b.jpg& data-rawwidth=&622& data-rawheight=&370& class=&origin_image zh-lightbox-thumb& width=&622& data-original=&https://pic1.zhimg.com/v2-c308c6dff72c6d3c4e4e79cdc82a54ad_r.jpg&&&/figure&&p&TensorFlow 1.4 版现在已公开发布 - 这是一个大更新！我们在这里非常高兴地宣布一些令人兴奋的新功能，希望大家喜欢。&br&&/p&&p&&b&Keras&/b&&/p&&p&在 1.4 版中，Keras 已从 tf.contrib.keras 迁移到核心软件包 tf.keras 中。Keras是一个非常热门的机器学习框架，它包含众多高级 API，&b&这些 API 可以最大程度缩短从您的创意到可行实现之间的时间。&/b&&/p&&p&&br&&/p&&p&Keras 可与其他核心 TensorFlow 功能平稳集成，包括 Estimator API。事实上，您可以调用 tf.keras.estimator.model_to_estimator函数，直接从任何 Keras 模型构建估算器。由于 Keras 现在已添加到 TensorFlow 核心中，您可以在生产工作流程中依赖它。&/p&&p&&br&&/p&&p&&b&数据集&/b&&/p&&p&我们高兴地宣布，Dataset API 已从 tf.contrib.data 迁移到核心软件包 tf.data中。1.4 版的 Dataset API 还增加了对 Python 生成器的支持。我们强烈建议使用 Dataset API 为 TensorFlow 模型创建输入管道，因为：&br&&/p&&ul&&li&与旧 API（feed_dict 或队列式管道）相比，Dataset API 可以提供更多功能。&/li&&li&Dataset API 的性能更高。&/li&&li&Dataset API 更简洁，更易于使用。&/li&&/ul&&p&未来，我们会将开发重心放到 Dataset API 而不是旧 API 上。&/p&&p&&br&&/p&&p&&br&&/p&&p&&b&估算器的分布式训练和评估&/b&&/p&&p&1.4 版还引入了实用函数 tf.estimator.train_and_evaluate，它简化了训练、评估和估算器模型的导出工作。此函数可以实现&b&训练和评估的分布式执行&/b&，同时仍然支持本地执行。&/p&&p&&br&&/p&&p&&b&其他增强功能&/b&&/p&&p&除了这里介绍的功能外，1.4 版还引入了许多其他增强功能，版本说明中进行了相关介绍：&/p&&p&&a href=&https://link.zhihu.com/?target=https%3A//github.com/tensorflow/tensorflow/blob/master/RELEASE.md& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&github.com/tensorflow/t&/span&&span class=&invisible&&ensorflow/blob/master/RELEASE.md&/span&&span class=&ellipsis&&&/span&&/a&&/p&&p&&br&&/p&&p&&b&安装 TensorFlow 1.4&/b&&/p&&p&TensorFlow 1.4 版现在可以使用标准 pip 安装获取。&br&&/p&&div class=&highlight&&&pre&&code class=&language-text&&&span&&/span&# Note: the following command will overwrite any existing TensorFlow
# installation.
$ pip install --ignore-installed --upgrade tensorflow
# Use pip for Python 2.7
# Use pip3 instead of pip for Python 3.x
&/code&&/pre&&/div&&p&我们已将 &a href=&https://link.zhihu.com/?target=http%3A//tensorflow.org& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&tensorflow.org&/span&&span class=&invisible&&&/span&&/a& 上的文档更新为 1.4。&br&&br&TensorFlow 的增强离不开贡献者。非常感谢参与 TensorFlow 开发的所有人！还犹豫什么？赶快加入社区并在 GitHub 上开发源代码或帮助在 Stack Overflow 上回答问题，成为一名贡献者吧！&br&&br&我们希望大家喜欢这个版本中的所有功能。&br&&br&祝大家尽情享受 TensorFlow 编码！&br&&/p&&p&原文地址：&a href=&https://link.zhihu.com/?target=http%3A//mp.weixin.qq.com/s/XDRS3VU0NlrMtd970IA4gA& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&发布TensorFlow 1.4&/a&&/p&&p&更多机器学习：&a href=&https://link.zhihu.com/?target=http%3A//www.tensorflownews.com& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&TensorFlow 安装，TensorFlow 教程，TensorFlowNews 原创人工智能，机器学习，深度学习，神经网络，计算机视觉，自然语言处理项目分享。&/a&&/p&
TensorFlow 1.4 版现在已公开发布 - 这是一个大更新！我们在这里非常高兴地宣布一些令人兴奋的新功能，希望大家喜欢。 Keras在 1.4 版中，Keras 已从 tf.contrib.keras 迁移到核心软件包 tf.keras 中。Keras是一个非常热门的机器学习框架，它包含众多高级 A…
&figure&&img src=&https://pic4.zhimg.com/v2-14562dcdfdbc5ca3c505de_b.jpg& data-rawwidth=&2560& data-rawheight=&1440& class=&origin_image zh-lightbox-thumb& width=&2560& data-original=&https://pic4.zhimg.com/v2-14562dcdfdbc5ca3c505de_r.jpg&&&/figure&&p&选自GitHub&/p&&p&&b&机器之心整理&/b&&/p&&p&&b&参与：黄小天、蒋思源&/b&&/p&&p&&br&&/p&&blockquote&今日，机器之心小编在 Github 上发现了一个良心项目：RedditSota 统计了各种机器学习任务的最顶级研究成果（论文），方便大家索引查阅。机器之心对此项目做了介绍。&/blockquote&&p&项目地址：&a href=&http://link.zhihu.com/?target=https%3A//github.com//RedditSota/state-of-the-art-result-for-machine-learning-problems& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&github.com//RedditSota/&/span&&span class=&invisible&&state-of-the-art-result-for-machine-learning-problems&/span&&span class=&ellipsis&&&/span&&/a&&/p&&p&该 GitHub 库提供了所有机器学习问题的当前最优结果，并尽最大努力保证该库是最新的。如果你发现某个问题的当前最优结果已过时或丢失，请作为问题提出来（附带：论文名称、数据集、指标、源代码、年份），我们会立即更正。&/p&&p&这是为所有类型的机器学习问题寻找当前最优结果的一次尝试。我们都无法独自完成，因此希望每一位读者参与进来。如果你发现了一个数据集的当前最优结果，请提交并更新该 GitHub 项目。&/p&&p&&br&&/p&&h2&&b&监督学习&/b&&/h2&&p&&b&NLP&/b&&/p&&ul&&li&1、语言建模&/li&&/ul&&p&以下展示了语言建模方面当前顶尖的研究成果及它们在不同数据集上的性能。&/p&&figure&&img src=&https://pic4.zhimg.com/v2-5c2a29edc7f24c3603dbb_b.jpg& data-caption=&& data-rawwidth=&640& data-rawheight=&265& class=&origin_image zh-lightbox-thumb& width=&640& data-original=&https://pic4.zhimg.com/v2-5c2a29edc7f24c3603dbb_r.jpg&&&/figure&&p&&br&&/p&&p&论文：DYNAMIC EVALUATION OF NEURAL SEQUENCE MODELS&/p&&p&论文地址：&a href=&http://link.zhihu.com/?target=https%3A//arxiv.org/pdf/.pdf& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&arxiv.org/pdf/&/span&&span class=&invisible&&2.pdf&/span&&span class=&ellipsis&&&/span&&/a&&/p&&p&实现地址：&a href=&http://link.zhihu.com/?target=https%3A//github.com/benkrause/dynamic-evaluation& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&github.com/benkrause/dy&/span&&span class=&invisible&&namic-evaluation&/span&&span class=&ellipsis&&&/span&&/a&&/p&&p&&br&&/p&&p&论文：Regularizing and Optimizing LSTM Language Models&/p&&p&论文地址：&a href=&http://link.zhihu.com/?target=https%3A//arxiv.org/pdf/.pdf& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&arxiv.org/pdf/&/span&&span class=&invisible&&2.pdf&/span&&span class=&ellipsis&&&/span&&/a&&/p&&p&实现地址：&a href=&http://link.zhihu.com/?target=https%3A//github.com/salesforce/awd-lstm-lm& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&github.com/salesforce/a&/span&&span class=&invisible&&wd-lstm-lm&/span&&span class=&ellipsis&&&/span&&/a&&/p&&p&&br&&/p&&p&论文：FRATERNAL DROPOUT&/p&&p&论文地址：&a href=&http://link.zhihu.com/?target=https%3A//arxiv.org/pdf/.pdf& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&arxiv.org/pdf/&/span&&span class=&invisible&&6.pdf&/span&&span class=&ellipsis&&&/span&&/a&&/p&&p&实现地址：&a href=&http://link.zhihu.com/?target=https%3A//github.com/kondiz/fraternal-dropout& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&github.com/kondiz/frate&/span&&span class=&invisible&&rnal-dropout&/span&&span class=&ellipsis&&&/span&&/a&&/p&&p&&br&&/p&&p&论文：Factorization tricks for LSTM networks&/p&&p&论文地址：&a href=&http://link.zhihu.com/?target=https%3A//arxiv.org/pdf/.pdf& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&arxiv.org/pdf/&/span&&span class=&invisible&&2.pdf&/span&&span class=&ellipsis&&&/span&&/a&&/p&&p&实现地址：&a href=&http://link.zhihu.com/?target=https%3A//github.com/okuchaiev/f-lm& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&github.com/okuchaiev/f-&/span&&span class=&invisible&&lm&/span&&span class=&ellipsis&&&/span&&/a&&/p&&p&&br&&/p&&p&在语言建模（Language Modelling）的四个顶尖研究成果中，我们看到 Yoshua Bengio 等人的研究 FRATERNAL DROPOUT 在 PTB 和 WikiText-2 数据集上都实现了当前最好的结果。在该篇论文中，Bengio 等人提出了一项叫做 fraternal dropout 的技术，他们首先用不同的 dropout mask 对两个一样的 RNN（参数共享）进行训练，并最小化它们 (pre-softmax) 预测的差异。这样正则项会促进 RNN 的表征对 dropout mask 具有不变性。Bengio 等人证明了他们的正则项上界为线性期望的 droupout 目标，即可以解决 droupout 因训练和推断阶段上出现的差异而导致的 Gap。&/p&&p&此外，Ben Krause 等人提出使用动态评估来提升神经序列模型的性能。Salesforce 的 Stephen Merity 等人提交的论文 LSTM 语言模型中的正则化和最优化从词层面的语言建模和调查基于 LSTM 模型中的正则化和最优化等具体问题出发研究更高效的语言建模方法。英伟达的 Oleksii Kuchaiev 等人提出了两个带映射的 LSTM 修正单元（LSTMP），并借此减少参数的数量和提升训练的速度。&/p&&p&&br&&/p&&ul&&li&2、机器翻译&/li&&/ul&&figure&&img src=&https://pic3.zhimg.com/v2-1ad8b25218b35aaa1bee35c89d7e86f6_b.jpg& data-caption=&& data-rawwidth=&640& data-rawheight=&200& class=&origin_image zh-lightbox-thumb& width=&640& data-original=&https://pic3.zhimg.com/v2-1ad8b25218b35aaa1bee35c89d7e86f6_r.jpg&&&/figure&&p&论文：&a href=&http://link.zhihu.com/?target=http%3A//mp.weixin.qq.com/s/xKXNlOR6i7v6HWilKTSr5g& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Attention Is All You Need&/a&&/p&&p&论文地址：&a href=&http://link.zhihu.com/?target=https%3A//arxiv.org/abs/& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&arxiv.org/abs/&/span&&span class=&invisible&&2&/span&&span class=&ellipsis&&&/span&&/a&&/p&&p&实现地址：&a href=&http://link.zhihu.com/?target=https%3A//github.com/jadore801120/attention-is-all-you-need-pytorch& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&github.com/jadore801120&/span&&span class=&invisible&&/attention-is-all-you-need-pytorch&/span&&span class=&ellipsis&&&/span&&/a&、&a href=&http://link.zhihu.com/?target=https%3A//github.com/tensorflow/tensor2tensor& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&github.com/tensorflow/t&/span&&span class=&invisible&&ensor2tensor&/span&&span class=&ellipsis&&&/span&&/a&&/p&&p&&br&&/p&&p&论文：NON-AUTOREGRESSIVE NEURAL MACHINE TRANSLATION&/p&&p&论文地址：&a href=&http://link.zhihu.com/?target=https%3A//einstein.ai/static/images/pages/research/non-autoregressive-neural-mt.pdf& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&einstein.ai/static/imag&/span&&span class=&invisible&&es/pages/research/non-autoregressive-neural-mt.pdf&/span&&span class=&ellipsis&&&/span&&/a&&/p&&p&实现地址：未公布&/p&&p&&br&&/p&&p&在机器翻译上，我们比较熟悉的就是谷歌大脑 Ashish Vaswani 等人关于注意力机制的研究，该模型在 WMT 2014 英法和英德数据集上都有十分不错的表现。该研究表明在编码器-解码器配置中，显性序列显性转导模型（dominant sequence transduction model）基于复杂的 RNN 或 CNN。表现最佳的模型也需通过注意力机制（attention mechanism）连接编码器和解码器。因此谷歌在该篇论文中提出了一种新型的简单网络架构——Transformer，它完全基于注意力机制，彻底放弃了循环和卷积。上图两项机器翻译任务的实验也表明这些}
随着手机功能越来越强大，手机游戏的用户群也在日益壮大。刚开始还会有人去统计在Application到底拥有多少款游戏，但是到今天，再没有人去统计了，几乎每天都会有新的游戏加入，可供挑选不同类型不同玩法的游戏多了，玩家就会有更多的选择余地。
玩家的选择是对一款APP游戏应用的肯定，我们对付费榜名列前茅的游戏进行了每款抽选100名游戏玩家的深度调研，（在这里也要感谢高校网联盟平台为我们提供数据调查的大力支持），在现今的多样化选择下，让我们看看肯让玩家们掏钱选择的理由又有哪些。
游戏名称：机甲风暴
机甲风暴是根据起点白金科幻作者骷髅精灵的《机动风暴》、《武装风暴》、《星战风暴》，风暴小说三部曲改编成手游，有60%的玩家因为本来就是骷髅精灵这位作家的粉丝，喜爱的小说改编成了手游大家是肯定不想错过的，这也算是小说界的明星效应了。
游戏名称：有杀气童话
有杀气童话上线之后就吸引了大批玩家，最大的原因就是因为这款游戏送的钻石实在是太多了，平民不用破费就能玩的游戏，再加上这游戏有着童话故事的元素和角色Q萌，如此亲民的游戏自然少不了玩家们的青睐。
游戏名称：九阴真经
九阴真经在PC端拥有众多的用户，而九阴真经的手游在导流方面也是无比的成功，72%的用户都来自PC端可见一斑，最重要的是游戏名又能给这款游戏带来大量的用户，神雕英雄传谁没看过？贯穿主剧情的正式九阴真经绝学。
游戏名称：雷霆舰队3D
雷霆舰队3D作为一款以海战手游，完美还原了二战各类战舰以及战役等，最让玩家喜欢的还是3D全视角自由转换加上细腻的画面，海战的手游在之前可称为精品的太少，雷霆舰队3D这款在各方面都很优秀收到欢迎也是很正常的。
游戏名称：校花的贴身高手3D
校花的贴身高手3D同样作为网络火爆小说同名手游，由白金作者鱼人二代同名人气网络小说校花的贴身高手改编而成，吸引了大批的读者粉丝加入游戏，还有很多玩家是因为易上手的操作和好玩的游戏名加入其中的，不得不说这款游戏的名字的确是吸引了很多男性玩家。
游戏名称：进击！小小忍者
进击！小小忍者是一款根据日本动漫《火影忍者》改编而成的游戏，《火影忍者》在国内的人气相当之高，玩家们看到了游戏名就会抱着尝试的心态玩一下，再加上尊重原著的剧情和Q版的人物角色，动漫迷和普通的玩家都会愿意玩一玩。
游戏名称：X战娘
X战娘绝对是一款为宅男们量身定做的游戏，二次元的大波妹子音美声甜，很容易就能勾起宅男们的保护欲，为了保护自己心爱的战娘而战。闲来无事的时候还可以调教游戏中的妹子，这样的诱惑就不仅仅是吸引宅男了，不是宅男同样也会加入到X战娘。
游戏名称：冒险与挖矿
冒险与挖矿绝对可以说是简单流畅出奇迹，让玩家玩着顺心，运行起来也无比的流畅一点都不卡，这样的游戏玩家们同样喜欢，还记得小时候玩的小霸王吗？小小的角色充满喜感，冒险与挖矿的角色就是这样，简单可爱却丰富的角色选择。
游戏名称：武侠大宗师
武侠大宗师的游戏名既有武侠也有大宗师，这两个词都曾是无数人少年时期的梦想，为这款游戏吸引众多玩家，最关键的还是不坑人，玩游戏最重要的就是图个乐子，良心的运营商会更多的给玩家福利，福利多质量好的一款游戏又有谁能拒绝呢？
游戏名称：口袋联盟
口袋联盟最成功的方面就是敢于创新不守旧，口袋系列在之前有各类游戏，同时也拥有动漫，但是口袋联盟并没有过于借助前辈们的元素，大胆的开创出属于自己的玩法，让玩家们感到了新鲜和用心，自然会加入游戏也会邀请身边的人一起玩。
手机游戏也在慢慢地改变和进步，但只要是真正的用心制作出的游戏，都不会被玩家们冷落。同时也提醒着一些抱着敛财心思，而不考虑玩家是否能接受和喜欢的人，这样的做法只会让玩家们离你越来越远，就像放羊的孩子一而再再而三的骗人，就算哪天出了好游戏也可能会无人问津，如果这份数据调查能让一些人学到什么领悟到什么，也就不枉我们的用心调查。
本文系talk游戏原创，转载请注明。
talk游戏是聚合各游戏资讯网站、官方网站海量资讯的新闻服务平台，真实反映每时每刻的新闻热点。
责任编辑：
声明：该文观点仅代表作者本人，搜狐号系信息发布平台，搜狐仅提供信息存储空间服务。
今日搜狐热点Sina Visitor System(ERROR:15) & 访客不能直接访问&p&讲我们一个客户的故事，这里暂且叫老K。&/p&&p&老K所在集团有一子公司，销售业绩和盈利能力一直都很差，2014年甚至亏损。但该子公司是集团战略的一个重要环节，那只能对这个公司进行业务改进，具体怎么做呢？&/p&&p&老K拉来子公司的财务数据，做了细致分析：分析哪些产品赚钱？哪些客户赚钱？哪些销售人员赚钱？还真有了大发现：49个产品中只有不到30个产品是赚钱的；给子公司带来利润的下游公司，只有不到20%；为公司创造较多利润的销售人员，也只有57%。&/p&&p&于是，老K把这样的结论向上级领导反映，当即就对改革有了眉头。从产品、客户、销售员这三个角度开展，为期两年。&/p&&p&&b&产品改革&/b&&/p&&p&老K拿毛利率为基准做了一个贡献排名，砍掉了20%的低毛利产品，同时兼顾类似“捆绑销售”产品组合的综合毛利率。比如，客户因为A产品而选择采购，但是客户要求必须有B产品，虽然B产品毛利并不高，但是如果不提供B产品，客户采购高毛利率的A产品会遇到困难。这种情况，B产品就属于被“捆绑销售”，必须保留。&/p&&p&改革的结果是2015年产品个数由49个，精简为32个，2016精简至28个，高毛利的产品销售占比提高4.9 %。&/p&&p&&b&客户改革&/b&&/p&&p&客户改革的策略是：对利润贡献度不同的客户采取不同的销售投入。将客户按照利润率自动排名，筛选出利润贡献率较高的30%，这部分客户重点维护；筛选出利润率较低的20%，除了部分利润较大和处于市场战略考虑，大部分客户降低销售投入。&/p&&p&改革的效果很显著，KA客户销量占比由2014年的43% 提升至2015年的54%，占增量利润贡献比例为11%。&/p&&p&客户改革、产品改革、成本控制维度优化调整后，毛利较上年同期增加865万，毛利率提升8.79%，增量利润贡献比例62%。&/p&&p&&b&销售改革&/b&&/p&&p&销售改革重点是调整利润分配方式。计算规则：改“销量/回款提成制”为“损益提成与增量分享制”。所谓损益提成，也就是销售人员的成本里面要包含产品成本，销售成本和公司财务、管理、市场等分摊成本。所谓增量分享制，就是提成不是固定值，而是梯度变化的。净利润越高，综合平均的提成比例越高。&/p&&p&改革的效果：2016年销量增加1350万，销售费用率下降4.55%，2016年利润916万，比2015年增加457万，利润的增长来源于销量的增长，两年实现利润1,532万。&/p&&p&总得来说，这个项目展现很长，但成果是有的。从财务指标来看，2015年，销量增加了550万，但利润却增加了616万，也就是说，在这套数据驱动的管理方法下，销量增加，利润上升，而成本降低也带来了66万的利润。&/p&&p&数据分析是如何帮助公司创收的？——要从公司问题严重的弱势环节着手，宗旨是降本增效，成本花在刀刃上。&/p&
讲我们一个客户的故事，这里暂且叫老K。老K所在集团有一子公司，销售业绩和盈利能力一直都很差，2014年甚至亏损。但该子公司是集团战略的一个重要环节，那只能对这个公司进行业务改进，具体怎么做呢？老K拉来子公司的财务数据，做了细致分析：分析哪些产品…
&figure&&img src=&https://pic2.zhimg.com/v2-d2e1eee6f2cd3fb93a6d89db5a2542cd_b.jpg& data-rawwidth=&1920& data-rawheight=&1080& class=&origin_image zh-lightbox-thumb& width=&1920& data-original=&https://pic2.zhimg.com/v2-d2e1eee6f2cd3fb93a6d89db5a2542cd_r.jpg&&&/figure&&blockquote&岳排槐 发自 LZYY&br&量子位 出品 | 公众号 QbitAI&/blockquote&&p&想必不少人都知道了，前几天谷歌推出&a href=&https://link.zhihu.com/?target=http%3A//mp.weixin.qq.com/s%3F__biz%3DMzIzNjc1NzUzMw%3D%3D%26mid%3D%26idx%3D1%26sn%3D78b26ff34b8a25a233dacf740e6a5431%26chksm%3De8d05a4bdfa7d35de34efa38f32d3a15172ec17fabff823f78c396efa8f4251fdc%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&免费的机器学习速成课程&/a&。&/p&&p&但是，课程讲座的视频都放在YouTube上，这造成了一些学习困难。有不少读者问量子位要梯子，我们除了给出这种链接 &a href=&https://link.zhihu.com/?target=http%3A//t.cn/RoA3TXa& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&t.cn/RoA3TXa&/span&&span class=&invisible&&&/span&&/a& ，还能做什么？&/p&&p&我们还把中文课程视频给搬运回来了……&/p&&figure&&img src=&https://pic3.zhimg.com/v2-988a7d583d88c58bb72c_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&1080& data-rawheight=&436& class=&origin_image zh-lightbox-thumb& width=&1080& data-original=&https://pic3.zhimg.com/v2-988a7d583d88c58bb72c_r.jpg&&&/figure&&p&这套课程，谷歌称其为“机器学习热爱者的自学指南”，其中包含一系列视频讲座、实际案例分析和实践练习。而且基本是全程中文。&/p&&p&不光文字是中文的，老外的讲课，还用机器机器学习技术，给配了中文的发音。&/p&&p&多少年，谷歌的机器苦练中文发音和文法，这下有了用武之地。&/p&&p&交待一句，视频之外谷歌还提供了一些文字资料和小测验，这些都能在谷歌中国的官网上能看到，不用翻墙。地址：&/p&&p&&a href=&https://link.zhihu.com/?target=https%3A//developers.google.cn/machine-learning/crash-course/& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&developers.google.cn/ma&/span&&span class=&invisible&&chine-learning/crash-course/&/span&&span class=&ellipsis&&&/span&&/a&&/p&&figure&&img src=&https://pic2.zhimg.com/v2-18809fcd46bbbf43b7576_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&1080& data-rawheight=&600& class=&origin_image zh-lightbox-thumb& width=&1080& data-original=&https://pic2.zhimg.com/v2-18809fcd46bbbf43b7576_r.jpg&&&/figure&&p&&br&&/p&&p&当然这个页面里，可能你不翻墙还是看不了视频。所以你也许还会需要量子位搬运的这些视频。以及，我们只搬运了机器配音的中文版。&/p&&p&都说了是机器配音，所以发音有些奇怪之处，要怪……还是怪谷歌吧……&/p&&p&课程的主要架构分为三个部分：机器学习概念（18讲）、机器学习工程（4讲）、机器学习在现实世界的应用示例（3讲）。&/p&&p&一共是25段视频。&/p&&p&下面是全部内容的直通车。&/p&&h2&&b&课程目录&/b&&/h2&&blockquote&&b&机器学习概念&/b&&br&01-03讲：&a href=&https://link.zhihu.com/?target=https%3A//mp.weixin.qq.com/s/WjQVVfDfMMbSPPgARgma9A& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&机器学习简介、框架处理、深入了解ML&/a&&br&04-06讲：&a href=&https://link.zhihu.com/?target=https%3A//mp.weixin.qq.com/s%3F__biz%3DMzUzNDUyNzYzNg%3D%3D%26mid%3D%26idx%3D1%26sn%3Da9ba058ae0ae57dd004a53%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&降低损失、使用TF的基本步骤、泛化&/a&&br&07-09讲：&a href=&https://link.zhihu.com/?target=https%3A//mp.weixin.qq.com/s%3F__biz%3DMzUzNDUyNzYzNg%3D%3D%26mid%3D%26idx%3D2%26sn%3Dbce4acf5df%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&训练集和测试集、验证、表示法&/a&&br&10-12讲：&a href=&https://link.zhihu.com/?target=https%3A//mp.weixin.qq.com/s%3F__biz%3DMzUzNDUyNzYzNg%3D%3D%26mid%3D%26idx%3D3%26sn%3D138bcd4b316c180b9ca22%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&特征组合、简单正则化、逻辑回归&/a&&br&13-15讲：&a href=&https://link.zhihu.com/?target=https%3A//mp.weixin.qq.com/s%3F__biz%3DMzUzNDUyNzYzNg%3D%3D%26mid%3D%26idx%3D4%26sn%3D004c8c78eacfc3a02b7a4%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&分类、稀疏性正则化、神经网络简介&/a&&br&16-18讲：&a href=&https://link.zhihu.com/?target=https%3A//mp.weixin.qq.com/s%3F__biz%3DMzUzNDUyNzYzNg%3D%3D%26mid%3D%26idx%3D5%26sn%3D07bd9455bdd3deef%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&训练神经网络、多类别神经网络、嵌套&/a&&br&&br&&b&机器学习工程&/b&&br&19-20讲：&a href=&https://link.zhihu.com/?target=https%3A//mp.weixin.qq.com/s%3F__biz%3DMzUzNDUyNzYzNg%3D%3D%26mid%3D%26idx%3D6%26sn%3D0bc58f10ab6dfb043c5d0%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&生产环境机器学习系统、静态与动态训练&/a&&br&21-22讲：&a href=&https://link.zhihu.com/?target=https%3A//mp.weixin.qq.com/s%3F__biz%3DMzUzNDUyNzYzNg%3D%3D%26mid%3D%26idx%3D7%26sn%3Dbf540b9a64c106c7e9a00%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&静态与动态推理、数据依赖关系&/a&&br&&br&&b&应用示例&/b&&br&23-25讲：&a href=&https://link.zhihu.com/?target=https%3A//mp.weixin.qq.com/s%3F__biz%3DMzUzNDUyNzYzNg%3D%3D%26mid%3D%26idx%3D8%26sn%3D6ea657bdade%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&癌症预测、18世纪文字、应用准则&/a&&/blockquote&&p&点进去大概是这样的?&/p&&figure&&img src=&https://pic2.zhimg.com/v2-0c8ceaa82b27e_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&750& data-rawheight=&1173& class=&origin_image zh-lightbox-thumb& width=&750& data-original=&https://pic2.zhimg.com/v2-0c8ceaa82b27e_r.jpg&&&/figure&&p&就酱，希望对大家有所帮助~&/p&&p&— &b&完&/b& —&/p&&p&欢迎大家关注我们的专栏：&a href=&https://zhuanlan.zhihu.com/qbitai& class=&internal&&量子位 - 知乎专栏&/a&&/p&&p&诚挚招聘&/p&&p&量子位正在招募编辑/记者，工作地点在北京中关村。期待有才气、有热情的同学加入我们！相关细节，请在量子位公众号(QbitAI)对话界面，回复“招聘”两个字。&/p&&p&&a href=&https://zhuanlan.zhihu.com/qbitai& class=&internal&&量子位 QbitAI&/a& · 头条号签约作者&/p&&p&?'?' ? 追踪AI技术和产品新动态&/p&
岳排槐 发自 LZYY 量子位 出品 | 公众号 QbitAI想必不少人都知道了，前几天谷歌推出。但是，课程讲座的视频都放在YouTube上，这造成了一些学习困难。有不少读者问量子位要梯子，我们除了给出这种链接
，还能做…
&figure&&img src=&https://pic3.zhimg.com/v2-d62af59cbc39_b.jpg& data-rawwidth=&1000& data-rawheight=&750& class=&origin_image zh-lightbox-thumb& width=&1000& data-original=&https://pic3.zhimg.com/v2-d62af59cbc39_r.jpg&&&/figure&&blockquote&夏乙 李根 假装发自 凹非寺&br&量子位 出品 | 公众号 QbitAI&/blockquote&&figure&&img src=&https://pic4.zhimg.com/v2-9c3eaa911d54174faf101bb7dfbf248b_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&640& data-rawheight=&313& class=&origin_image zh-lightbox-thumb& width=&640& data-original=&https://pic4.zhimg.com/v2-9c3eaa911d54174faf101bb7dfbf248b_r.jpg&&&/figure&&p&谷歌又出手了。又是一个大招。（&a href=&https://link.zhihu.com/?target=http%3A//mp.weixin.qq.com/s%3F__biz%3DMzIzNjc1NzUzMw%3D%3D%26mid%3D%26idx%3D1%26sn%3D76db3f988ae1c373c50ebeea%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&上一个&/a&）&/p&&p&这次谷歌传奇Jeff Dean亲自在推特上连发10条，满怀激动地对外宣布着这个消息：谷歌TPU首次对外全面开放。&/p&&p&AI芯片和公有云市场将迎来新的变局。&/p&&p&之前英伟达的黄仁勋在谈到谷歌TPU时，就曾强硬的表示，对TPU的威胁不以为然。当时，老黄还列了列参数：新的TPU可以实现45 teraflop的运算能力，而英伟达最新的Volta GPU则能达到120 teraflop。&/p&&p&但如果你关注人工智能，肯定知道TPU的威力。谷歌搜索、翻译、相册等应用，都有TPU在提供AI加速。更值得一提的是，AlphaGo也是借力TPU，称霸围棋界。&/p&&p&而且谷歌这款芯片还专门对AI进行了优化。&/p&&p&谷歌在官方博客中表示，在新发布的Cloud TPU帮助下，不到一天的时间，你就可以在ImageNet上把ResNet-50模型训练到75%的精度，成本不足200美元。&/p&&p&从现在起，每小时6.5美元，你也能用上谷歌TPU了。&/p&&p&理论上。&/p&&figure&&img src=&https://pic3.zhimg.com/v2-ecbbc92b7ce90e4bfb0b_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&1080& data-rawheight=&467& class=&origin_image zh-lightbox-thumb& width=&1080& data-original=&https://pic3.zhimg.com/v2-ecbbc92b7ce90e4bfb0b_r.jpg&&&/figure&&h2&&b&谷歌博客全文&/b&&/h2&&p&Google的机器学习利器Cloud TPU，从今天开始面向更多用户开放了。&/p&&p&Cloud TPU今天发布了beta版，这一版本通过谷歌云平台（Google Cloud Platform, GCP）提供，想帮更多机器学习专家更快地运行模型。&/p&&p&Cloud TPU是谷歌设计的硬件加速器，专为加速、扩展特定的TensorFlow机器学习工作负载而优化。&/p&&p&每个Cloud TPU包含4个定制化的ASIC，单块板卡的计算能力达到每秒180万亿次浮点运算（180 teraflops），有64GB的高带宽内存。&/p&&p&这些板卡可以单独使用，也可以通过超高速专用网络连接起来，形成“TPU pod”。今年晚些时候，Google会开始通过GCP供应这种更大的超级计算机。&/p&&figure&&img src=&https://pic1.zhimg.com/v2-5c3b58a23309bbd26d81a_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&768& data-rawheight=&531& class=&origin_image zh-lightbox-thumb& width=&768& data-original=&https://pic1.zhimg.com/v2-5c3b58a23309bbd26d81a_r.jpg&&&/figure&&p&Google设计Cloud TPU的目标，是针对性地为TensorFlow工作负载提供一分钱一分货的差异化性能，让研究人员能更快地进行迭代。&/p&&p&例如：&/p&&ul&&li&你能通过自定义、可控制的Google Compute Engine虚拟机，对联网的Cloud TPU进行交互式的、独享的访问，而不用等待自己的工作在共享计算集群上排队。&/li&&li&你能连夜在一组Cloud TPU上训练出同一个模型的几个变体，第二天将训练出来的最精确的模型部署到生产中，而不用等几天、甚至几周来训练关键业务机器学习模型。&/li&&li&不到一天的时间，你就可以在ImageNet上把ResNet-50模型训练到75%的精度，成本不到200美元。&br&Google还专门为此准备了一份教程：&a href=&https://link.zhihu.com/?target=https%3A//cloud.google.com/tpu/docs/tutorials/resnet& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&cloud.google.com/tpu/do&/span&&span class=&invisible&&cs/tutorials/resnet&/span&&span class=&ellipsis&&&/span&&/a&&/li&&/ul&&h2&&b&更简单的机器学习模型训练&/b&&/h2&&p&过去，为定制ASIC和超级计算机编程需要深入的专业知识技能。相比之下，要对Cloud TPU编程，用高级TensorFlow API就可以了，Google还开源了一组高性能的云TPU模型实现，上手更简单：&/p&&ul&&li&图像分类模型：&br&ResNet-50 &a href=&https://link.zhihu.com/?target=https%3A//cloud.google.com/tpu/docs/tutorials/resnet& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&cloud.google.com/tpu/do&/span&&span class=&invisible&&cs/tutorials/resnet&/span&&span class=&ellipsis&&&/span&&/a&&br&其他图像分类模型&a href=&https://link.zhihu.com/?target=https%3A//github.com/tensorflow/tpu/tree/master/models/official& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&github.com/tensorflow/t&/span&&span class=&invisible&&pu/tree/master/models/official&/span&&span class=&ellipsis&&&/span&&/a&&/li&&li&用于机器翻译和语言建模的Transformer：&br&&a href=&https://link.zhihu.com/?target=https%3A//cloud.google.com/tpu/docs/tutorials/transformer& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&cloud.google.com/tpu/do&/span&&span class=&invisible&&cs/tutorials/transformer&/span&&span class=&ellipsis&&&/span&&/a&&/li&&li&用于对象检测的RetinaNet：&br&&a href=&https://link.zhihu.com/?target=https%3A//github.com/tensorflow/tpu/blob/master/models/official/retinanet/README.md& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&github.com/tensorflow/t&/span&&span class=&invisible&&pu/blob/master/models/official/retinanet/README.md&/span&&span class=&ellipsis&&&/span&&/a&&/li&&/ul&&figure&&img src=&https://pic4.zhimg.com/v2-ec1f0fe6adb5519446dbf4_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&1080& data-rawheight=&590& class=&origin_image zh-lightbox-thumb& width=&1080& data-original=&https://pic4.zhimg.com/v2-ec1f0fe6adb5519446dbf4_r.jpg&&&/figure&&p&Google在博客中说，经过对性能和收敛性的不断测试，这些模型都达到了标准数据集的预期精度。&/p&&p&以后，Google会逐渐推出更多模型实现。不过，想要探险的机器学习专家也可以用他们提供的文档和工具，自行在Cloud TPU上优化其他TensorFlow模型。&/p&&p&现在开始用Cloud TPU，等到今年晚些时候Google推出TPU pod的时候，训练的时间-精度比能得到惊人的提升。&/p&&p&在NIPS 2017上，Google曾宣布ResNet-50和Transformer两个模型在完整TPU pod上的训练时间，都从大半天下降到了30分钟以内，不需要改动任何代码。&/p&&h2&&b&可扩展的机器学习平台&/b&&/h2&&p&云TPU还简化了机器学习计算资源的规划和管理：&/p&&p&你可以为团队提供最先进的机器学习加速，并根据需求的变化动态调整生产力。&/p&&p&你可以直接用经过Google多年优化的高度集成机器学习基础设施，无需投入大量金钱、时间、专业人才来设计、安装、维护现场机器学习计算集群，不用考虑供电、冷却、联网、存储要求等问题。&/p&&p&Google Cloud TPU经过预先配置，不需要安装驱动程序，因此，也不用想方设法让一大群工作站和服务器的驱动程序保持最新。&/p&&p&和其他Google云服务一样，有复杂的安全机制保护着你的数据。&/p&&p&Google说要为客户的每个机器学习负载提供最适合的云服务，除了TPU之外，他们还提供英特尔Skylake等高性能CPU，和包括英伟达Tesla V100在内的高端GPU。&/p&&h2&&b&开始使用吧&/b&&/h2&&p&Cloud TPU今天开始提供，数量有限，按秒计费。每个Cloud TPU每小时6.5美元。&/p&&p&要使用beta版的Cloud TPU，需要填个表，描述一下你要用TPU干什么，向Google申请配额：&a href=&https://link.zhihu.com/?target=https%3A//services.google.com/fb/forms/cloud-tpu-beta-request/& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&services.google.com/fb/&/span&&span class=&invisible&&forms/cloud-tpu-beta-request/&/span&&span class=&ellipsis&&&/span&&/a&&/p&&p&Google说，会尽快让你用上Cloud TPU。&/p&&p&2月27日，Google还要开一场在线讲座，再细致地谈一谈Cloud TPU。&/p&&p&在Google的博客文章中，提到了两家客户使用Cloud TPU的感受。&/p&&p&一家是投资公司Two Sigma。他们的深度学习研究现在主要在云上进行，该公司CTO Alfred Spector说：“将TensorFlow工作负载转移到TPU上，大大降低了编程新模型的复杂性，缩短了训练时间。”&/p&&p&另一家是共享出行公司Lyft。深度学习正在成为这家公司无人车研究的重要组成部分。&/p&&p&更多关于Cloud TPU的信息，可以去官方网站看一看：&a href=&https://link.zhihu.com/?target=https%3A//cloud.google.com/tpu/& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&cloud.google.com/tpu/&/span&&span class=&invisible&&&/span&&/a&&/p&&figure&&img src=&https://pic1.zhimg.com/v2-5c3b58a23309bbd26d81a_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&768& data-rawheight=&531& class=&origin_image zh-lightbox-thumb& width=&768& data-original=&https://pic1.zhimg.com/v2-5c3b58a23309bbd26d81a_r.jpg&&&/figure&&h2&&b&何为TPU？&/b&&/h2&&p&TPU是Tensor Processing Unit的缩写简称，是一种ASIC（专用集成电路），也是Google自己开发的一款AI专用芯片，主要用于提高人工智能计算任务的执行效率。&/p&&p&Google将其用在神经网络的推理环节，在此之前，业界通常在使用GPU加速的服务器上进行。在TPU推出后，谷歌表示，这比直接使用GPU或基本的x86芯片速度快很多。&/p&&p&TPU通过两个PCI-E 3.0 x8边缘连接器连接协处理器，总共有16 GB/s的双向带宽。TPU消耗功率达40瓦，远高于PCI-E电源规格，可为8位整数运算提供每秒92万亿次的运算，或为16位整数运算提供每秒23万亿次的运算。&/p&&p&在去年4月一篇有75位联合作者的论文《In-Datacenter Performance Analysis of a Tensor Processing UnitTM》中，Google团队对TPU进行了分析：与同期的CPU和GPU相比，可以提供15-30倍的性能提升，以及30-80倍的效率（性能/瓦特）提升。&/p&&p&第一代TPU被谷歌广泛应用在了AlphaGo、搜索、翻译、相册等背后的机器学习模型中，这为第二代TPU的迭代奠定了基础。&/p&&p&值得一提的是，击败李世石的AlphaGo版本中，通过Google云，耗用50个TPU进行计算；而到了击败柯洁的AlphaGo版本中，单机运行，物理服务器上部署了4个TPU；最后在最新的AlphaZero版本中，则使用了5000个一代TPU和64个二代TPU，从0开始学习24小时后，就击败了国际象棋、将棋、围棋等三个领域的世界冠军。&/p&&h2&&b&第二代TPU&/b&&/h2&&p&第二代TPU在去年5月18日的Google I/O 大会上推出，也称为&b&云TPU&/b&。云TPU对推理和训练都进行了优化。&/p&&p&Google大脑研究团队主管Jeff Dean表示：“我们的TPU拥有世界一流的ASIC设计团队，第二代TPU芯片采用了与第一代完全不同的设计架构,第一代芯片由于只进行推理运算所以体积较小，而在第二代芯片中我们加入了能满足训练需求的硬件结构，同时还考虑了如何将这些计算单元组合成大型系统的架构方法。”&/p&&p&第二代TPU通过四个TPU芯片的组合板，可以实现180Tera次每秒用于深度学习训练和推理的浮点运算，如果再将64个这样的TPU系统板通过网络连接起来，浮点性能可以达到惊人的11.5PFLOPS，远远超过世界上前五百超级计算机的算力。风头大大盖过了同一时期Nvidia推出的Volta架构GPU。&/p&&p&TPU 2和第一代不同的是，第一代选用了量化整数运算，而第二代用的是浮点运算。这样一来你就不用把训练好的模型转换使用量化整数做推理了。你直接用训练时用的浮点做推理就好，这样部署起来也容易很多。&/p&&p&实际上，第二代TPU推出之时，也能看出Google在AI芯片方面的发展思路：并非为了与GPU直接竞争，而是利用TPU在公有云行业差异化发展。&/p&&p&Google CEO皮查伊在I/O大会的主题演讲中强调：“我们希望谷歌云成为机器学习领域最优秀的云。这为重大进步打下了基础。”&/p&&p&为了使计算性能更强大，Google开发了订制的超高速网络，将64颗TPU连接至同一台机器学习超级计算机。这台超级计算机被称作“TPU舱”，带来了每秒11.5千万亿次浮点运算的能力，可用于训练单一的大型机器学习模型，或多个较小的模型。&/p&&p&为了证明TPU舱的性能，Google表示，如果想要训练最新的大规模翻译模型，那么使用32颗全球最强大的商用GPU需要一整天时间。作为对比，TPU舱只需1/8的性能，就能在6小时内完成对该模型的训练。&/p&&p&单个的云TPU和完整的TPU舱均支持谷歌开源的TensorFlow机器学习系统。&/p&&p&去年的Google I/O大会上，Google还发布了“TensorFlow研究云”。这是由1000颗云TPU组成的簇，在满足某些条件的情况下Google将免费提供给研究者使用。如果希望使用，那么研究者必须同意公开发表研究成果，或许还需要开源研究中的相关代码。&/p&&p&而对参与非公开研究的人士，Google计划启动云TPU Alpha项目，而现在，更加宏伟的计划得以正式公开。&/p&&figure&&img src=&https://pic4.zhimg.com/v2-3afa4d8d265a86b0e70a86fc65c9e57e_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&1080& data-rawheight=&678& class=&origin_image zh-lightbox-thumb& width=&1080& data-original=&https://pic4.zhimg.com/v2-3afa4d8d265a86b0e70a86fc65c9e57e_r.jpg&&&/figure&&h2&&b&TPU往事&/b&&/h2&&p&早在2006年，Google就在考虑为神经网络构建一个专用集成电路（ASIC）。2013年这个需求变得更加紧迫，当时Google意识到快速增长的计算需求，可能意味着数据中心的数量需要翻番才能满足。&/p&&p&通常而言，ASIC的开发需要耗时数年。但具体到TPU而言，从设计到验证、构建和部署到数据中心里，只需要15个月。&/p&&p&具体TPU何时正式研发成功，并不得而知，但Google方面透露，从2015年开始就一直在内部使用TPU，并在2016年5月的Google I/O开发者大会上，对外公布了TPU的存在。&/p&&p&另外还有个趣事。&/p&&p&最初参与TPU研究的10个人中，有8个工程师遭遇风投挖角，创业成立了一家名为Groq的AI芯片公司，这家公司的创始人兼CEO是Doug Wightman，CTO是Jonathan Ross，COO则是原赛灵思(Xilinx)的营销副总裁Krishna Rangasayee。&/p&&p&挖角的风投则是Social Capital创始人、首席执行官Chamath Palihapitiya，他给了Groq团队上千万美元的启动资金。&/p&&p&Groq的AI芯片对标英伟达的GPU，声称是专门为人工智能重新定制一款芯片，他们还打算在2018年发布第一代AI芯片产品。&/p&&p&留给Groq兑现承诺的时间不多了。&/p&&p&— &b&完&/b& —&/p&&p&欢迎大家关注我们的专栏：&a href=&https://zhuanlan.zhihu.com/qbitai& class=&internal&&量子位 - 知乎专栏&/a&&/p&&p&诚挚招聘&/p&&p&量子位正在招募编辑/记者，工作地点在北京中关村。期待有才气、有热情的同学加入我们！相关细节，请在量子位公众号(QbitAI)对话界面，回复“招聘”两个字。&/p&&p&&a href=&https://zhuanlan.zhihu.com/qbitai& class=&internal&&量子位 QbitAI&/a& · 头条号签约作者&/p&&p&?'?' ? 追踪AI技术和产品新动态&/p&
夏乙 李根 假装发自 凹非寺 量子位 出品 | 公众号 QbitAI谷歌又出手了。又是一个大招。（）这次谷歌传奇Jeff Dean亲自在推特上连发10条，满怀激动地对外宣布着这个消息：谷歌TPU首次对外全面开放。AI芯片和公有云市场将迎来新的变局。之前英伟达的黄…
&figure&&img src=&https://pic2.zhimg.com/v2-fa311feaea53d0ec811645f_b.jpg& data-rawwidth=&1280& data-rawheight=&720& class=&origin_image zh-lightbox-thumb& width=&1280& data-original=&https://pic2.zhimg.com/v2-fa311feaea53d0ec811645f_r.jpg&&&/figure&&p&&/p&&figure&&img src=&https://pic2.zhimg.com/v2-4fa3c39af2dee28768ba90_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&350& data-rawheight=&350& class=&content_image& width=&350&&&/figure&&p&本期 &a href=&https://link.zhihu.com/?target=https%3A//goo.gl/UC5usG& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Cloud AI Adventures&/a&，我（Yufeng Guo）请到了 Google Research 工程师 Justin Zhao，在录影棚中一起展示怎么样生成听起来自然不别扭的话语。同时我们还会讨论这项技术会怎样融入平常百姓家，比如当你向 Google Home 问询天气情况。&/p&&p&我们还会讨论一些已经应用于自然语言生成的机器学习技术，以及该领域最先进的技术。这会是一个充满乐趣和知识的讨论，尽情享受吧！&/p&&blockquote&这是一个系列视频/文章 「AI Adventures」中的第八篇，由 Google 的开发技术推广工程师 Yufeng Guo 主讲，用通俗易懂的语言帮助你了解人工智能和机器学习。在这一系列视频/文章中，我们将一起探秘人工智能的世界，共同品味艺术、探索科学以及掌握机器学习的工具。&br&第一篇：&a href=&https://zhuanlan.zhihu.com/p/& class=&internal&&机器学习是什么？&/a&&br&第二篇：&a href=&https://zhuanlan.zhihu.com/p/& class=&internal&&机器学习「七步走」&/a&&br&第三篇：&a href=&https://zhuanlan.zhihu.com/p/& class=&internal&&用评估器给花卉分类&/a&&br&第四篇：&a href=&https://zhuanlan.zhihu.com/p/& class=&internal&&弹性伸缩的云端托管服务&/a&&br&第五篇：&a href=&https://zhuanlan.zhihu.com/p/& class=&internal&&通过 TensorBoard 将模型可视化&/a&&br&第六篇：&a href=&https://zhuanlan.zhihu.com/p/& class=&internal&&通过深度神经网络再识评估器&/a&&br&第七篇：&a href=&https://zhuanlan.zhihu.com/p/& class=&internal&&云端训练模型的大数据解决方案&/a&&br&所有的内容和视频都会首发在「&a href=&https://zhuanlan.zhihu.com/tensorflowcn& class=&internal&&机智如你&/a&」专栏，目标是发布最新与谷歌相关的机器学习、TensorFlow 相关内容，如果你有任何问题，也欢迎在留言区向我们提出反馈&/blockquote&&a class=&video-box& href=&https://link.zhihu.com/?target=https%3A//www.zhihu.com/video/525696& target=&_blank& data-video-id=&& data-video-playable=&true& data-name=&& data-poster=&https://pic2.zhimg.com/v2-33a551f76aa434c0bedf08.jpg& data-lens-id=&525696&&
&img class=&thumbnail& src=&https://pic2.zhimg.com/v2-33a551f76aa434c0bedf08.jpg&&&span class=&content&&
&span class=&title&&&span class=&z-ico-extern-gray&&&/span&&span class=&z-ico-extern-blue&&&/span&&/span&
&span class=&url&&&span class=&z-ico-video&&&/span&https://www.zhihu.com/video/525696&/span&
&blockquote&视频约 200M，请在 WiFi 下观看&/blockquote&&p&当前我们正在尝试一种新的 &a href=&https://link.zhihu.com/?target=https%3A//goo.gl/UC5usG& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Cloud AI Adventures&/a& 分享形式，我将会通过访谈人工智能及机器学习领域的专家、同他们讨论其研究领域及发展状况。准备这一期分享真的是个充满惊喜的过程啊！如果你觉得这种结构还不错，请一定告诉我！&/p&&hr&&p&关注&a href=&https://www.zhihu.com/people/chenglu& class=&internal&&我&/a&或者「&a href=&https://zhuanlan.zhihu.com/tensorflowcn& class=&internal&&机智如你&/a&」专栏，不要错过后续更新（原汁原味的分享，请关注 Yufeng G 的 &a href=&https://link.zhihu.com/?target=https%3A//medium.com/%40yufengg& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Medium&/a& 和 &a href=&https://link.zhihu.com/?target=https%3A//www.youtube.com/playlist%3Flist%3DPLIivdWyY5sqJxnwJhe3etaK7utrBiPBQ2& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&YouTube&/a& 频道）。&/p&&p&&br&&/p&&p&▏原文出处：&a href=&https://link.zhihu.com/?target=https%3A//towardsdatascience.com/natural-language-generation-at-google-research-bbf2c3756d80& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Medium - Natural Language Generation at Google Research&/a&&/p&&p&▏封面来源：&a href=&https://link.zhihu.com/?target=https%3A//www.youtube.com/watch%3Fv%3DMNvT5JekDpg& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&YouTube 视频缩略图&/a&&/p&&p&▏视频出处：&a href=&https://link.zhihu.com/?target=https%3A//www.youtube.com/watch%3Fv%3DMNvT5JekDpg& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&YouTube - Natural Language Generation at Google Research&/a&&/p&&p&▏字幕翻译：&a href=&https://zhuanlan.zhihu.com/gdsub& class=&internal&&谷创字幕组&/a&&/p&&p&▏文章编辑： &a class=&member_mention& href=&https://www.zhihu.com/people/bdf& data-hash=&bdf& data-hovercard=&p$b$bdf&&@杨栋&/a&&/p&
本期 ，我（Yufeng Guo）请到了 Google Research 工程师 Justin Zhao，在录影棚中一起展示怎么样生成听起来自然不别扭的话语。同时我们还会讨论这项技术会怎样融入平常百姓家，比如当你向 Google Home 问询天气情况。我们还会讨论一些已…
&p&我们分析了GitHub上的前20名Python机器学习项目，发现scikit-Learn，PyLearn2和NuPic是贡献最积极的项目。让我们一起在Github上探索这些流行的项目！&/p&&ol&&li&&a href=&https://link.zhihu.com/?target=https%3A//yq.aliyun.com/articles/www.github.com/scikit-learn/scikit-learn& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Scikit-learn&/a&：Scikit-learn 是基于Scipy为机器学习建造的的一个Python模块，他的特色就是多样化的分类，回归和聚类的算法包括支持向量机，逻辑回归，朴素贝叶斯分类器，随机森林，Gradient Boosting，聚类算法和DBSCAN。而且也设计出了Python numerical和scientific libraries Numpy and Scipy&/li&&li&&a href=&https://link.zhihu.com/?target=https%3A//yq.aliyun.com/articles/www.github.com/lisa-lab/pylearn2& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Pylearn2&/a&：Pylearn是一个让机器学习研究简单化的基于Theano的库程序。&/li&&li&&a href=&https://link.zhihu.com/?target=https%3A//yq.aliyun.com/articles/www.github.com/numenta/nupic& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&NuPIC&/a&：NuPIC是一个以HTM学习算法为工具的机器智能平台。HTM是皮层的精确计算方法。HTM的核心是基于时间的持续学习算法和储存和撤销的时空模式。NuPIC适合于各种各样的问题,尤其是检测异常和预测的流数据来源。&/li&&li&&a href=&https://link.zhihu.com/?target=https%3A//yq.aliyun.com/articles/www.github.com/nilearn/nilearn& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Nilearn&/a&：Nilearn 是一个能够快速统计学习神经影像数据的Python模块。它利用Python语言中的scikit-learn 工具箱和一些进行预测建模，分类，解码，连通性分析的应用程序来进行多元的统计。&/li&&li&&a href=&https://link.zhihu.com/?target=https%3A//yq.aliyun.com/articles/www.github.com/pybrain/pybrain& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&PyBrain&/a&：Pybrain是基于Python语言强化学习，人工智能，神经网络库的简称。 它的目标是提供灵活、容易使用并且强大的机器学习算法和进行各种各样的预定义的环境中测试来比较你的算法。&/li&&li&&a href=&https://link.zhihu.com/?target=https%3A//yq.aliyun.com/articles/www.github.com/clips/pattern& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Pattern&/a&：Pattern 是Python语言下的一个网络挖掘模块。它为数据挖掘，自然语言处理，网络分析和机器学习提供工具。它支持向量空间模型、聚类、支持向量机和感知机并且用KNN分类法进行分类。&/li&&li&&a href=&https://link.zhihu.com/?target=https%3A//yq.aliyun.com/articles/www.github.com/mila-udem/fuel& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Fuel&/a&：Fuel为你的机器学习模型提供数据。他有一个共享如MNIST, CIFAR-10 (图片数据集), Google's One Billion Words (文字)这类数据集的接口。你使用他来通过很多种的方式来替代自己的数据。&/li&&li&&a href=&https://link.zhihu.com/?target=https%3A//yq.aliyun.com/articles/www.github.com/idiap/bob& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Bob&/a&：Bob是一个免费的信号处理和机器学习的工具。它的工具箱是用Python和C++语言共同编写的，它的设计目的是变得更加高效并且减少开发时间，它是由处理图像工具,音频和视频处理、机器学习和模式识别的大量软件包构成的。&/li&&li&&a href=&https://link.zhihu.com/?target=https%3A//yq.aliyun.com/articles/www.github.com/jaberg/skdata& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Skdata&/a&：Skdata是机器学习和统计的数据集的库程序。这个模块对于玩具问题，流行的计算机视觉和自然语言的数据集提供标准的Python语言的使用。&/li&&li&&a href=&https://link.zhihu.com/?target=https%3A//yq.aliyun.com/articles/www.github.com/luispedro/milk& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&MILK&/a&：MILK是Python语言下的机器学习工具包。它主要是在很多可得到的分类比如SVMS,K-NN,随机森林，决策树中使用监督分类法。 它还执行特征选择。 这些分类器在许多方面相结合,可以形成不同的例如无监督学习、密切关系金传播和由MILK支持的K-means聚类等分类系统。&/li&&li&&a href=&https://link.zhihu.com/?target=https%3A//yq.aliyun.com/articles/www.github.com/machinalis/iepy& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&IEPY&/a&：IEPY是一个专注于关系抽取的开源性信息抽取工具。它主要针对的是需要对大型数据集进行信息提取的用户和想要尝试新的算法的科学家。&/li&&li&&a href=&https://link.zhihu.com/?target=https%3A//yq.aliyun.com/articles/www.github.com/machinalis/quepy& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Quepy&/a&：Quepy是通过改变自然语言问题从而在数据库查询语言中进行查询的一个Python框架。他可以简单的被定义为在自然语言和数据库查询中不同类型的问题。所以，你不用编码就可以建立你自己的一个用自然语言进入你的数据库的系统。现在Quepy提供对于Sparql和MQL查询语言的支持。并且计划将它延伸到其他的数据库查询语言。&/li&&li&&a href=&https://link.zhihu.com/?target=https%3A//yq.aliyun.com/articles/www.github.com/hannes-brt/hebel& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Hebel&/a&：Hebel是在Python语言中对于神经网络的深度学习的一个库程序，它使用的是通过PyCUDA来进行GPU和CUDA的加速。它是最重要的神经网络模型的类型的工具而且能提供一些不同的活动函数的激活功能，例如动力，涅斯捷罗夫动力，信号丢失和停止法。&/li&&li&&a href=&https://link.zhihu.com/?target=https%3A//yq.aliyun.com/articles/www.github.com/rasbt/mlxtend& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&mlxtend&/a&：它是一个由有用的工具和日常数据科学任务的扩展组成的一个库程序。&/li&&li&&a href=&https://link.zhihu.com/?target=https%3A//yq.aliyun.com/articles/www.github.com/dnouri/nolearn& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&nolearn&/a&：这个程序包容纳了大量能对你完成机器学习任务有帮助的实用程序模块。其中大量的模块和scikit-learn一起工作，其它的通常更有用。&/li&&li&&a href=&https://link.zhihu.com/?target=https%3A//yq.aliyun.com/articles/www.github.com/kvh/ramp& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Ramp&/a&：Ramp是一个在Python语言下制定机器学习中加快原型设计的解决方案的库程序。他是一个轻型的pandas-based机器学习中可插入的框架，它现存的Python语言下的机器学习和统计工具（比如scikit-learn,rpy2等）Ramp提供了一个简单的声明性语法探索功能从而能够快速有效地实施算法和转换。&/li&&li&&a href=&https://link.zhihu.com/?target=https%3A//yq.aliyun.com/articles/www.github.com/machinalis/featureforge& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Feature Forge&/a&：这一系列工具通过与scikit-learn兼容的API，来创建和测试机器学习功能。这个库程序提供了一组工具，它会让你在许多机器学习程序使用中很受用。当你使用scikit-learn这个工具时，你会感觉到受到了很大的帮助。（虽然这只能在你使用不同的算法时起作用。）&/li&&li&&a href=&https://link.zhihu.com/?target=https%3A//yq.aliyun.com/articles/www.github.com/yandex/rep& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&REP&/a&：REP是以一种和谐、可再生的方式为指挥数据移动驱动所提供的一种环境。它有一个统一的分类器包装来提供各种各样的操作，例如TMVA, Sklearn, XGBoost, uBoost等等。并且它可以在一个群体以平行的方式训练分类器。同时它也提供了一个交互式的情节。&/li&&li&&a href=&https://link.zhihu.com/?target=https%3A//yq.aliyun.com/articles/www.github.com/awslabs/machine-learning-samples& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Python 学习机器样本&/a&：用亚马逊的机器学习建造的简单软件收集。&/li&&li&&a href=&https://link.zhihu.com/?target=https%3A//yq.aliyun.com/articles/www.github.com/dclambert/Python-ELM& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Python-ELM&/a&：这是一个在Python语言下基于scikit-learn的极端学习机器的实现。&/li&&/ol&&p&以上为全部译文&/p&&p&文章原标题&i&Top 20 Python Machine Learning Open Source Projects&/i&，译者：Anchor C.，审阅：虎说八道。&/p&&p&文章为简译，更多内容请查看&a href=&https://link.zhihu.com/?target=http%3A//click.aliyun.com/m/36443/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&原文&/a&&/p&&p&&b&更多技术干货敬请关注云栖社区知乎机构号：&a href=&https://www.zhihu.com/org/a-li-yun-yun-qi-she-qu-48& class=&internal&&阿里云云栖社区 - 知乎&/a&&/b&&/p&
我们分析了GitHub上的前20名Python机器学习项目，发现scikit-Learn，PyLearn2和NuPic是贡献最积极的项目。让我们一起在Github上探索这些流行的项目！：Scikit-learn 是基于Scipy为机器学习建造的的一个Python模块，他的特色就是多样化的分类，…
&figure&&img src=&https://pic3.zhimg.com/v2-0fb31fda6f5bf38fdf4a8a5cdbb45d41_b.jpg& data-rawwidth=&1919& data-rawheight=&613& class=&origin_image zh-lightbox-thumb& width=&1919& data-original=&https://pic3.zhimg.com/v2-0fb31fda6f5bf38fdf4a8a5cdbb45d41_r.jpg&&&/figure&&blockquote&&b&简评：&/b&机器学习的算法繁多，其中很多算法是一类算法，而有些算法又是从其他算法中衍生出来的，本文从算法类似性简单地列举一些常见的算法。&/blockquote&&p&&b&回归算法 Regression Algorithms&/b&&/p&&p&回归算法最初来自于统计学，是一种通过最小化预测值与实际结果值之间的差距，而得到输入特征之间的最佳组合方式的一类算法。&/p&&p&常见的回归算法有：&/p&&ul&&li&最小二乘回归&/li&&li&线性回归&/li&&li&Logistic 回归&/li&&/ul&&p&拓展：&a href=&https://link.zhihu.com/?target=https%3A//www.coursera.org/learn/regression-models/lecture/Kz1eV/introduction-to-regression& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Coursera Course&/a& by Johns Hopkins&/p&&figure&&img src=&https://pic1.zhimg.com/v2-7dfbcdde_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&1200& data-rawheight=&800& class=&origin_image zh-lightbox-thumb& width=&1200& data-original=&https://pic1.zhimg.com/v2-7dfbcdde_r.jpg&&&/figure&&hr&&p&&b&聚类算法 Clustering Algorithms&/b&&/p&&p&聚类的本质就是寻找联系紧密的事物，把他们区分出来。聚类算法做的事情是，把输入样本聚成围绕一些中心的数据点，以发现数据分布结构的一些规律。&/p&&p&常见的聚类算法有：&/p&&ul&&li&K-均值聚类&/li&&li&层次聚类&/li&&li&图团体检测&/li&&/ul&&p&拓展：&a href=&https://link.zhihu.com/?target=https%3A//www.youtube.com/watch%3Fv%3DZueoXMgCd1c& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Amazing introductory video on clustering&/a&&/p&&figure&&img src=&https://pic2.zhimg.com/v2-af011ea8ca64be8fe4415b_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&600& data-rawheight=&400& class=&origin_image zh-lightbox-thumb& width=&600& data-original=&https://pic2.zhimg.com/v2-af011ea8ca64be8fe4415b_r.jpg&&&/figure&&hr&&p&&b&降维算法 Dimensionality reduction algorithms&/b&&/p&&p&降维就是指采用某种映射方法，将原高维空间中的数据点映射到低维度的空间中。降维算法能够去除冗余信息以及噪音信息，用更少的信息总结和描述出原始信息的大部分内容。 &/p&&p&常见的降维算法：&/p&&ul&&li&主成分分析算法&/li&&li&低方差滤波&/li&&li&高相关滤波&/li&&li&随机森林&/li&&li&反向特征消除 / 前向特征构造&/li&&/ul&&p&拓展：&a href=&https://link.zhihu.com/?target=https%3A//www.kdnuggets.com/-methods-data-dimensionality-reduction.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&KDnuggets blog&/a&&/p&&figure&&img src=&https://pic3.zhimg.com/v2-1bc581dbe99fafdeb11a_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&698& data-rawheight=&702& class=&origin_image zh-lightbox-thumb& width=&698& data-original=&https://pic3.zhimg.com/v2-1bc581dbe99fafdeb11a_r.jpg&&&/figure&&hr&&p&&b&决策树算法 Decision tree algorithms&/b&&/p&&p&决策树算法在机器学习中算是很经典的了，决策树会根据数据中的值来创建决策模型，预测阶段选择路径进行决策。与其他算法不同的一点是，它们很容易在许多不同的数据类型上使用。&/p&&p&常见的决策树算法：&/p&&ul&&li&分类及回归树（CART）&/li&&li&C4.5 and C5.0&/li&&li&随机森林&/li&&li&Chi-squared Automatic Interaction Detection (CHAID)&/li&&/ul&&p&拓展：&a href=&https://link.zhihu.com/?target=https%3A//www.analyticsvidhya.com/blog/2016/04/complete-tutorial-tree-based-modeling-scratch-in-python/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Analytics Vidhya&/a&，本文是关于决策树较为深入的文章&/p&&figure&&img src=&https://pic4.zhimg.com/v2-309224dba670ecb2de813b10e268f4b3_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&724& data-rawheight=&571& class=&origin_image zh-lightbox-thumb& width=&724& data-original=&https://pic4.zhimg.com/v2-309224dba670ecb2de813b10e268f4b3_r.jpg&&&/figure&&hr&&p&&b&深度学习 Deep Learning&/b&&/p&&p&深度学习近期在国内引起很大关注，它是一种半监督式学习算法，用来处理存在少量未标识数据的大数据集。利用摩尔定律带来的日益价廉的计算能力，深度学习得以建立大得多也复杂得多的神经网络。大众最熟知的例子就是围棋 AI —— &a href=&https://link.zhihu.com/?target=https%3A//en.wikipedia.org/wiki/AlphaGo& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Alpha Go&/a&。&/p&&p&常见的深度学习算法：&/p&&ul&&li&堆栈式自动编码器（Stacked Auto-encoders）&/li&&li&卷积神经网络（Convolution Neural Network）&/li&&li&递归神经网络（Recurrent neural networks）&/li&&li&胶囊网络（&a href=&https://link.zhihu.com/?target=https%3A//hackernoon.com/what-is-a-capsnet-or-capsule-network-2bfbe48769cc& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Capsule Networks&/a&）&/li&&/ul&&p&拓展：&a href=&https://link.zhihu.com/?target=https%3A//www.safaribooksonline.com/library/view/deep-learning/0/ch04.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&这本书的片段&/a& 覆盖了深度学习的主要架构。&/p&&figure&&img src=&https://pic4.zhimg.com/v2-a468902ebc072da613bacf0ee564c280_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&750& data-rawheight=&384& class=&origin_image zh-lightbox-thumb& width=&750& data-original=&https://pic4.zhimg.com/v2-a468902ebc072da613bacf0ee564c280_r.jpg&&&/figure&&figure&&img src=&https://pic3.zhimg.com/v2-9b66dfd80e_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&600& data-rawheight=&85& class=&origin_image zh-lightbox-thumb& width=&600& data-original=&https://pic3.zhimg.com/v2-9b66dfd80e_r.jpg&&&/figure&&blockquote&&b&原文链接：&/b&&/blockquote&&ul&&li&&a href=&https://link.zhihu.com/?target=https%3A//towardsdatascience.com/essential-algorithms-every-ml-engineer-needs-to-know-f& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Essential Algorithms Every ML Engineer Needs to Know&/a&&/li&&/ul&&blockquote&&b&推荐阅读：&/b&&/blockquote&&ul&&li&&a href=&https://zhuanlan.zhihu.com/p/& class=&internal&&机器学习领域值得关注的 10 位 Quora 大咖&/a&&/li&&li&&a href=&https://zhuanlan.zhihu.com/p/& class=&internal&&数据科学中应该学习哪些语言？&/a&&/li&&li&&a href=&https://zhuanlan.zhihu.com/p/& class=&internal&&不同编程语言的学习曲线&/a&&/li&&/ul&&p&极光日报，&a href=&https://link.zhihu.com/?target=https%3A//www.jiguang.cn/%3Fsrc%3Djiguangdaily%26hmsr%3D%25E6%259E%%E6%%25E6%258A%25A5%26hmpl%3D%26hmcu%3D%26hmkw%3D%26hmci%3D& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&极光开发者&/a& 的 Side Project，欢迎关注。&/p&
简评：机器学习的算法繁多，其中很多算法是一类算法，而有些算法又是从其他算法中衍生出来的，本文从算法类似性简单地列举一些常见的算法。回归算法 Regression Algorithms回归算法最初来自于统计学，是一种通过最小化预测值与实际结果值之间的差距，而得到…
&p&&b& 更&/b&：&/p&&p&爬 &a href=&//link.zhihu.com/?target=http%3A//www.stats.gov.cn/tjsj/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&国家统计局统计数据&/a& 呀，如&b&平均工资&/b&。以前不知从哪里听说的xxx市平均月薪三千，没想到查了下数据，发现2016年xxx市平均月薪已经五六千了。 （纸面上，不计M2和通胀等因素)&b&十年翻翻·真·不是梦&/b&。可是在祝贺超大型城市经济腾飞的同时，不免也感慨老家二十八线农村的萧条。&b&其实，那些未上榜的地方才是大多数，发达了还是衰败了，又有谁关注了呢。&/b&&/p&&figure&&img src=&https://pic1.zhimg.com/50/v2-e2addeef5b520_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&570& data-rawheight=&446& class=&origin_image zh-lightbox-thumb& width=&570& data-original=&https://pic1.zhimg.com/50/v2-e2addeef5b520_r.jpg&&&/figure&&figure&&img src=&https://pic3.zhimg.com/50/v2-1cd844e0becee289fb7e1_b.jpg& data-size=&normal& data-rawwidth=&649& data-rawheight=&228& class=&origin_image zh-lightbox-thumb& width=&649& data-original=&https://pic3.zhimg.com/50/v2-1cd844e0becee289fb7e1_r.jpg&&&figcaption&部分城市平均月薪&/figcaption&&/figure&&hr&&p&&b& 更&/b&：编程给图像随机填色呀&/p&&figure&&img src=&https://pic4.zhimg.com/50/v2-67116efc2ea983edbcf5829f_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&1417& data-rawheight=&709& class=&origin_image zh-lightbox-thumb& width=&1417& data-original=&https://pic4.zhimg.com/50/v2-67116efc2ea983edbcf5829f_r.jpg&&&/figure&&figure&&img src=&https://pic4.zhimg.com/50/v2-207be8b94b03b2dd6eda5_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&1417& data-rawheight=&709& class=&origin_image zh-lightbox-thumb& width=&1417& data-original=&https://pic4.zhimg.com/50/v2-207be8b94b03b2dd6eda5_r.jpg&&&/figure&&figure&&img src=&https://pic2.zhimg.com/50/v2-93d7de6f966ecf667febb5_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&1417& data-rawheight=&709& class=&origin_image zh-lightbox-thumb& width=&1417& data-original=&https://pic2.zhimg.com/50/v2-93d7de6f966ecf667febb5_r.jpg&&&/figure&&figure&&img src=&https://pic1.zhimg.com/50/v2-f3e89f312fb68a5d5ca3ca54fbd66330_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&1417& data-rawheight=&709& class=&origin_image zh-lightbox-thumb& width=&1417& data-original=&https://pic1.zhimg.com/50/v2-f3e89f312fb68a5d5ca3ca54fbd66330_r.jpg&&&/figure&&p&&br&&/p&&a href=&https://www.zhihu.com/question//answer/& data-draft-node=&block& data-draft-type=&link-card& data-image=&https://pic1.zhimg.com/80/v2-eb344f00d6fa9aea95ea6e7b6c691bec_180x120.jpg& data-image-width=&1417& data-image-height=&709& class=&internal&&可否通过编程为《秘密花园》填充出和谐的颜色？&/a&&hr&&p&&b&原始回答：&/b&&/p&&p&&br&&/p&&p&爬知乎呀&/p&&figure&&img src=&https://pic1.zhimg.com/50/v2-7ec34d8638c07bacf62522_b.jpg& data-size=&normal& data-rawwidth=&655& data-rawheight=&367& class=&origin_image zh-lightbox-thumb& width=&655& data-original=&https://pic1.zhimg.com/50/v2-7ec34d8638c07bacf62522_r.jpg&&&figcaption&Python 知乎爬虫&/figcaption&&/figure&&p&&br&&/p&&p&爬豆瓣读书呀&/p&&figure&&img src=&https://pic1.zhimg.com/50/v2-cff77d762196dec34130b4c_b.jpg& data-size=&normal& data-rawwidth=&693& data-rawheight=&355& class=&origin_image zh-lightbox-thumb& width=&693& data-original=&https://pic1.zhimg.com/50/v2-cff77d762196dec34130b4c_r.jpg&&&figcaption&Python 豆瓣爬虫&/figcaption&&/figure&&p&爬漫画呀&/p&&figure&&img src=&https://pic4.zhimg.com/50/v2-89d52ee9379ea31fccee92_b.jpg& data-size=&normal& data-rawwidth=&765& data-rawheight=&376& class=&origin_image zh-lightbox-thumb& width=&765& data-original=&https://pic4.zhimg.com/50/v2-89d52ee9379ea31fccee92_r.jpg&&&figcaption&Python 漫画爬虫&/figcaption&&/figure&&p&爬 必应 每日一图 呀&/p&&figure&&img src=&https://pic2.zhimg.com/50/v2-34e64ef5e99fe_b.jpg& data-size=&normal& data-rawwidth=&769& data-rawheight=&464& class=&origin_image zh-lightbox-thumb& width=&769& data-original=&https://pic2.zhimg.com/50/v2-34e64ef5e99fe_r.jpg&&&figcaption&Python 必应每日一图(必应主页背景)爬虫&/figcaption&&/figure&&p&爬天气呀&/p&&figure&&img src=&https://pic3.zhimg.com/50/v2-db0ea5c3bd87d699972d_b.jpg& data-size=&normal& data-rawwidth=&572& data-rawheight=&349& class=&origin_image zh-lightbox-thumb& width=&572& data-original=&https://pic3.zhimg.com/50/v2-db0ea5c3bd87d699972d_r.jpg&&&figcaption&Pyhthon 命令行查询天气 &/figcaption&&/figure&&p&登录wlan呀&/p&&figure&&img src=&https://pic4.zhimg.com/50/v2-ab4c288a2f24cb91a6ee70_b.jpg& data-size=&normal& data-rawwidth=&527& data-rawheight=&134& class=&origin_image zh-lightbox-thumb& width=&527& data-original=&https://pic4.zhimg.com/50/v2-ab4c288a2f24cb91a6ee70_r.jpg&&&figcaption&Python 命令行登录 wlan&/figcaption&&/figure&&p&查询单词呀&/p&&figure&&img src=&https://pic3.zhimg.com/50/v2-fbccd5f483f1d21c087cc00c52242d0b_b.jpg& data-size=&normal& data-rawwidth=&369& data-rawheight=&167& class=&content_image& width=&369&&&figcaption&Python 查单词&/figcaption&&/figure&&p&颜色检测呀&/p&&figure&&img src=&https://pic3.zhimg.com/50/v2-76fb7bb5d0a44b4ebf86_b.jpg& data-size=&normal& data-rawwidth=&652& data-rawheight=&360& class=&origin_image zh-lightbox-thumb& width=&652& data-original=&https://pic3.zhimg.com/50/v2-76fb7bb5d0a44b4ebf86_r.jpg&&&figcaption&Python OpenCV 颜色检测（乒乓球）&/figcaption&&/figure&&p&&br&&/p&&hr&&p&以下主要是专栏文章里的东西 ， 专栏地址：&/p&&p&&br&&/p&&a href=&https://zhuanlan.zhihu.com/python-opencv-image-processing& data-draft-node=&block& data-draft-type=&link-card& data-image=&https://pic3.zhimg.com/v2-cd26d927a9a36fa4b383f80d10866c6a_ipico.jpg& data-image-width=&600& data-image-height=&600& class=&internal&&OpenCV&/a&&p&&br&&/p&&p&瓜子计数呀&/p&&figure&&img src=&https://pic4.zhimg.com/50/v2-ea44805bd4fbdb2af2f03_b.jpg& data-size=&normal& data-rawwidth=&448& data-rawheight=&448& class=&origin_image zh-lightbox-thumb& width=&448& data-original=&https://pic4.zhimg.com/50/v2-ea44805bd4fbdb2af2f03_r.jpg&&&figcaption&Python OpenCV 瓜子计数&/figcaption&&/figure&&p&细胞图像检测呀&/p&&figure&&img src=&https://pic2.zhimg.com/50/v2-604e49fffcfa33a97e862fb1_b.jpg& data-size=&normal& data-rawwidth=&400& data-rawheight=&200& class=&content_image& width=&400&&&figcaption&Python OpenCV 细胞计数(cells counting)&/figcaption&&/figure&&p&&br&&/p&&p&车道线检测呀&/p&&figure&&img src=&https://pic3.zhimg.com/50/v2-1d9aad871dcdeb3d1a422c_b.jpg& data-size=&normal& data-rawwidth=&768& data-rawheight=&432& class=&origin_image zh-lightbox-thumb& width=&768& data-original=&https://pic3.zhimg.com/50/v2-1d9aad871dcdeb3d1a422c_r.jpg&&&figcaption&Python OpenCV 车道线检测&/figcaption&&/figure&&p&&br&&/p&&p&手写数字识别呀&/p&&figure&&img src=&https://pic4.zhimg.com/50/v2-2ca8324aeaae3cb7f579a25aa949aed4_b.jpg& data-size=&normal& data-rawwidth=&698& data-rawheight=&524& class=&origin_image zh-lightbox-thumb& width=&698& data-original=&https://pic4.zhimg.com/50/v2-2ca8324aeaae3cb7f579a25aa949aed4_r.jpg&&&figcaption&Pyhton OpenCV 手写数字识别&/figcaption&&/figure&&p&&br&&/p&&p&图像预处理呀&/p&&figure&&img src=&https://pic1.zhimg.com/50/v2-256badd862cbc3babc55_b.jpg& data-size=&normal& data-rawwidth=&600& data-rawheight=&600& class=&origin_image zh-lightbox-thumb& width=&600& data-original=&https://pic1.zhimg.com/50/v2-256badd862cbc3babc55_r.jpg&&&figcaption&Python OpenCV 霍夫圆检测和极坐标变换&/figcaption&&/figure&&p&&br&&/p&&p&当做 PhotoShop 用来 P图 呀&/p&&figure&&img src=&https://pic4.zhimg.com/50/v2-0cb2004b5ffeec4a14a324a9_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&921& data-rawheight=&752& class=&origin_image zh-lightbox-thumb& width=&921& data-original=&https://pic4.zhimg.com/50/v2-0cb2004b5ffeec4a14a324a9_r.jpg&&&/figure&&p&&br&&/p&&p&高X格的 ”Hello， World!&, 彩虹色的。&/p&&figure&&img src=&https://pic4.zhimg.com/50/v2-5ac7d48ed06b4ebc98875_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&514& data-rawheight=&457& class=&origin_image zh-lightbox-thumb& width=&514& data-original=&https://pic4.zhimg.com/50/v2-5ac7d48ed06b4ebc98875_r.jpg&&&/figure&&a href=&https://www.zhihu.com/question//answer/& data-draft-node=&block& data-draft-type=&link-card& data-image=&https://pic2.zhimg.com/80/v2-5ac7d48ed06b4ebc98875_ipico.jpg& data-image-width=&514& data-image-height=&457& class=&internal&&如何有格调地输出“Hello, World!”？&/a&&a href=&https://www.zhihu.com/question/& data-draft-node=&block& data-draft-type=&link-card& data-image=&https://pic2.zhimg.com/80/v2-2eecaee.jpg& data-image-width=&527& data-image-height=&417& class=&internal&&怎样在本地搭建一个类似于 [知乎插入LaTeX公式] 的应用？&/a&&p&&br&&/p&&p&待续。。。&/p&
呀，如平均工资。以前不知从哪里听说的xxx市平均月薪三千，没想到查了下数据，发现2016年xxx市平均月薪已经五六千了。 （纸面上，不计M2和通胀等因素)十年翻翻·真·不是梦。可是在祝贺超大型城市经济腾飞的同时，不…
&figure&&img src=&https://pic1.zhimg.com/v2-c308c6dff72c6d3c4e4e79cdc82a54ad_b.jpg& data-rawwidth=&622& data-rawheight=&370& class=&origin_image zh-lightbox-thumb& width=&622& data-original=&https://pic1.zhimg.com/v2-c308c6dff72c6d3c4e4e79cdc82a54ad_r.jpg&&&/figure&&p&TensorFlow 1.4 版现在已公开发布 - 这是一个大更新！我们在这里非常高兴地宣布一些令人兴奋的新功能，希望大家喜欢。&br&&/p&&p&&b&Keras&/b&&/p&&p&在 1.4 版中，Keras 已从 tf.contrib.keras 迁移到核心软件包 tf.keras 中。Keras是一个非常热门的机器学习框架，它包含众多高级 API，&b&这些 API 可以最大程度缩短从您的创意到可行实现之间的时间。&/b&&/p&&p&&br&&/p&&p&Keras 可与其他核心 TensorFlow 功能平稳集成，包括 Estimator API。事实上，您可以调用 tf.keras.estimator.model_to_estimator函数，直接从任何 Keras 模型构建估算器。由于 Keras 现在已添加到 TensorFlow 核心中，您可以在生产工作流程中依赖它。&/p&&p&&br&&/p&&p&&b&数据集&/b&&/p&&p&我们高兴地宣布，Dataset API 已从 tf.contrib.data 迁移到核心软件包 tf.data中。1.4 版的 Dataset API 还增加了对 Python 生成器的支持。我们强烈建议使用 Dataset API 为 TensorFlow 模型创建输入管道，因为：&br&&/p&&ul&&li&与旧 API（feed_dict 或队列式管道）相比，Dataset API 可以提供更多功能。&/li&&li&Dataset API 的性能更高。&/li&&li&Dataset API 更简洁，更易于使用。&/li&&/ul&&p&未来，我们会将开发重心放到 Dataset API 而不是旧 API 上。&/p&&p&&br&&/p&&p&&br&&/p&&p&&b&估算器的分布式训练和评估&/b&&/p&&p&1.4 版还引入了实用函数 tf.estimator.train_and_evaluate，它简化了训练、评估和估算器模型的导出工作。此函数可以实现&b&训练和评估的分布式执行&/b&，同时仍然支持本地执行。&/p&&p&&br&&/p&&p&&b&其他增强功能&/b&&/p&&p&除了这里介绍的功能外，1.4 版还引入了许多其他增强功能，版本说明中进行了相关介绍：&/p&&p&&a href=&https://link.zhihu.com/?target=https%3A//github.com/tensorflow/tensorflow/blob/master/RELEASE.md& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&github.com/tensorflow/t&/span&&span class=&invisible&&ensorflow/blob/master/RELEASE.md&/span&&span class=&ellipsis&&&/span&&/a&&/p&&p&&br&&/p&&p&&b&安装 TensorFlow 1.4&/b&&/p&&p&TensorFlow 1.4 版现在可以使用标准 pip 安装获取。&br&&/p&&div class=&highlight&&&pre&&code class=&language-text&&&span&&/span&# Note: the following command will overwrite any existing TensorFlow
# installation.
$ pip install --ignore-installed --upgrade tensorflow
# Use pip for Python 2.7
# Use pip3 instead of pip for Python 3.x
&/code&&/pre&&/div&&p&我们已将 &a href=&https://link.zhihu.com/?target=http%3A//tensorflow.org& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&tensorflow.org&/span&&span class=&invisible&&&/span&&/a& 上的文档更新为 1.4。&br&&br&TensorFlow 的增强离不开贡献者。非常感谢参与 TensorFlow 开发的所有人！还犹豫什么？赶快加入社区并在 GitHub 上开发源代码或帮助在 Stack Overflow 上回答问题，成为一名贡献者吧！&br&&br&我们希望大家喜欢这个版本中的所有功能。&br&&br&祝大家尽情享受 TensorFlow 编码！&br&&/p&&p&原文地址：&a href=&https://link.zhihu.com/?target=http%3A//mp.weixin.qq.com/s/XDRS3VU0NlrMtd970IA4gA& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&发布TensorFlow 1.4&/a&&/p&&p&更多机器学习：&a href=&https://link.zhihu.com/?target=http%3A//www.tensorflownews.com& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&TensorFlow 安装，TensorFlow 教程，TensorFlowNews 原创人工智能，机器学习，深度学习，神经网络，计算机视觉，自然语言处理项目分享。&/a&&/p&
TensorFlow 1.4 版现在已公开发布 - 这是一个大更新！我们在这里非常高兴地宣布一些令人兴奋的新功能，希望大家喜欢。 Keras在 1.4 版中，Keras 已从 tf.contrib.keras 迁移到核心软件包 tf.keras 中。Keras是一个非常热门的机器学习框架，它包含众多高级 A…
&figure&&img src=&https://pic4.zhimg.com/v2-14562dcdfdbc5ca3c505de_b.jpg& data-rawwidth=&2560& data-rawheight=&1440& class=&origin_image zh-lightbox-thumb& width=&2560& data-original=&https://pic4.zhimg.com/v2-14562dcdfdbc5ca3c505de_r.jpg&&&/figure&&p&选自GitHub&/p&&p&&b&机器之心整理&/b&&/p&&p&&b&参与：黄小天、蒋思源&/b&&/p&&p&&br&&/p&&blockquote&今日，机器之心小编在 Github 上发现了一个良心项目：RedditSota 统计了各种机器学习任务的最顶级研究成果（论文），方便大家索引查阅。机器之心对此项目做了介绍。&/blockquote&&p&项目地址：&a href=&http://link.zhihu.com/?target=https%3A//github.com//RedditSota/state-of-the-art-result-for-machine-learning-problems& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&github.com//RedditSota/&/span&&span class=&invisible&&state-of-the-art-result-for-machine-learning-problems&/span&&span class=&ellipsis&&&/span&&/a&&/p&&p&该 GitHub 库提供了所有机器学习问题的当前最优结果，并尽最大努力保证该库是最新的。如果你发现某个问题的当前最优结果已过时或丢失，请作为问题提出来（附带：论文名称、数据集、指标、源代码、年份），我们会立即更正。&/p&&p&这是为所有类型的机器学习问题寻找当前最优结果的一次尝试。我们都无法独自完成，因此希望每一位读者参与进来。如果你发现了一个数据集的当前最优结果，请提交并更新该 GitHub 项目。&/p&&p&&br&&/p&&h2&&b&监督学习&/b&&/h2&&p&&b&NLP&/b&&/p&&ul&&li&1、语言建模&/li&&/ul&&p&以下展示了语言建模方面当前顶尖的研究成果及它们在不同数据集上的性能。&/p&&figure&&img src=&https://pic4.zhimg.com/v2-5c2a29edc7f24c3603dbb_b.jpg& data-caption=&& data-rawwidth=&640& data-rawheight=&265& class=&origin_image zh-lightbox-thumb& width=&640& data-original=&https://pic4.zhimg.com/v2-5c2a29edc7f24c3603dbb_r.jpg&&&/figure&&p&&br&&/p&&p&论文：DYNAMIC EVALUATION OF NEURAL SEQUENCE MODELS&/p&&p&论文地址：&a href=&http://link.zhihu.com/?target=https%3A//arxiv.org/pdf/.pdf& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&arxiv.org/pdf/&/span&&span class=&invisible&&2.pdf&/span&&span class=&ellipsis&&&/span&&/a&&/p&&p&实现地址：&a href=&http://link.zhihu.com/?target=https%3A//github.com/benkrause/dynamic-evaluation& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&github.com/benkrause/dy&/span&&span class=&invisible&&namic-evaluation&/span&&span class=&ellipsis&&&/span&&/a&&/p&&p&&br&&/p&&p&论文：Regularizing and Optimizing LSTM Language Models&/p&&p&论文地址：&a href=&http://link.zhihu.com/?target=https%3A//arxiv.org/pdf/.pdf& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&arxiv.org/pdf/&/span&&span class=&invisible&&2.pdf&/span&&span class=&ellipsis&&&/span&&/a&&/p&&p&实现地址：&a href=&http://link.zhihu.com/?target=https%3A//github.com/salesforce/awd-lstm-lm& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&github.com/salesforce/a&/span&&span class=&invisible&&wd-lstm-lm&/span&&span class=&ellipsis&&&/span&&/a&&/p&&p&&br&&/p&&p&论文：FRATERNAL DROPOUT&/p&&p&论文地址：&a href=&http://link.zhihu.com/?target=https%3A//arxiv.org/pdf/.pdf& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&arxiv.org/pdf/&/span&&span class=&invisible&&6.pdf&/span&&span class=&ellipsis&&&/span&&/a&&/p&&p&实现地址：&a href=&http://link.zhihu.com/?target=https%3A//github.com/kondiz/fraternal-dropout& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&github.com/kondiz/frate&/span&&span class=&invisible&&rnal-dropout&/span&&span class=&ellipsis&&&/span&&/a&&/p&&p&&br&&/p&&p&论文：Factorization tricks for LSTM networks&/p&&p&论文地址：&a href=&http://link.zhihu.com/?target=https%3A//arxiv.org/pdf/.pdf& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&arxiv.org/pdf/&/span&&span class=&invisible&&2.pdf&/span&&span class=&ellipsis&&&/span&&/a&&/p&&p&实现地址：&a href=&http://link.zhihu.com/?target=https%3A//github.com/okuchaiev/f-lm& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&github.com/okuchaiev/f-&/span&&span class=&invisible&&lm&/span&&span class=&ellipsis&&&/span&&/a&&/p&&p&&br&&/p&&p&在语言建模（Language Modelling）的四个顶尖研究成果中，我们看到 Yoshua Bengio 等人的研究 FRATERNAL DROPOUT 在 PTB 和 WikiText-2 数据集上都实现了当前最好的结果。在该篇论文中，Bengio 等人提出了一项叫做 fraternal dropout 的技术，他们首先用不同的 dropout mask 对两个一样的 RNN（参数共享）进行训练，并最小化它们 (pre-softmax) 预测的差异。这样正则项会促进 RNN 的表征对 dropout mask 具有不变性。Bengio 等人证明了他们的正则项上界为线性期望的 droupout 目标，即可以解决 droupout 因训练和推断阶段上出现的差异而导致的 Gap。&/p&&p&此外，Ben Krause 等人提出使用动态评估来提升神经序列模型的性能。Salesforce 的 Stephen Merity 等人提交的论文 LSTM 语言模型中的正则化和最优化从词层面的语言建模和调查基于 LSTM 模型中的正则化和最优化等具体问题出发研究更高效的语言建模方法。英伟达的 Oleksii Kuchaiev 等人提出了两个带映射的 LSTM 修正单元（LSTMP），并借此减少参数的数量和提升训练的速度。&/p&&p&&br&&/p&&ul&&li&2、机器翻译&/li&&/ul&&figure&&img src=&https://pic3.zhimg.com/v2-1ad8b25218b35aaa1bee35c89d7e86f6_b.jpg& data-caption=&& data-rawwidth=&640& data-rawheight=&200& class=&origin_image zh-lightbox-thumb& width=&640& data-original=&https://pic3.zhimg.com/v2-1ad8b25218b35aaa1bee35c89d7e86f6_r.jpg&&&/figure&&p&论文：&a href=&http://link.zhihu.com/?target=http%3A//mp.weixin.qq.com/s/xKXNlOR6i7v6HWilKTSr5g& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Attention Is All You Need&/a&&/p&&p&论文地址：&a href=&http://link.zhihu.com/?target=https%3A//arxiv.org/abs/& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&arxiv.org/abs/&/span&&span class=&invisible&&2&/span&&span class=&ellipsis&&&/span&&/a&&/p&&p&实现地址：&a href=&http://link.zhihu.com/?target=https%3A//github.com/jadore801120/attention-is-all-you-need-pytorch& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&github.com/jadore801120&/span&&span class=&invisible&&/attention-is-all-you-need-pytorch&/span&&span class=&ellipsis&&&/span&&/a&、&a href=&http://link.zhihu.com/?target=https%3A//github.com/tensorflow/tensor2tensor& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&github.com/tensorflow/t&/span&&span class=&invisible&&ensor2tensor&/span&&span class=&ellipsis&&&/span&&/a&&/p&&p&&br&&/p&&p&论文：NON-AUTOREGRESSIVE NEURAL MACHINE TRANSLATION&/p&&p&论文地址：&a href=&http://link.zhihu.com/?target=https%3A//einstein.ai/static/images/pages/research/non-autoregressive-neural-mt.pdf& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&einstein.ai/static/imag&/span&&span class=&invisible&&es/pages/research/non-autoregressive-neural-mt.pdf&/span&&span class=&ellipsis&&&/span&&/a&&/p&&p&实现地址：未公布&/p&&p&&br&&/p&&p&在机器翻译上，我们比较熟悉的就是谷歌大脑 Ashish Vaswani 等人关于注意力机制的研究，该模型在 WMT 2014 英法和英德数据集上都有十分不错的表现。该研究表明在编码器-解码器配置中，显性序列显性转导模型（dominant sequence transduction model）基于复杂的 RNN 或 CNN。表现最佳的模型也需通过注意力机制（attention mechanism）连接编码器和解码器。因此谷歌在该篇论文中提出了一种新型的简单网络架构——Transformer，它完全基于注意力机制，彻底放弃了循环和卷积。上图两项机器翻译任务的实验也表明这些}
我要回帖
更多关于 服务端数据解析失败 的文章
更多推荐
- ·我家楼房经常听到咚的一声的棚上固定时间都会听见一声像玻璃掉地上摔碎的声音怎么回事？
- ·微信苹果手机微信没有提示音怎么办没信息是什么原因
- ·有个问题问下大家，一汽丰田app官方正版下载纯牌零件在溯源查询时，如何通过一汽丰田app官方正版下载公众号进行操作？
- ·为什么我在edge浏览器键盘无法输入上打的拼音和键盘上的不一样？
- ·跨境电商哪个平台最好做是什么？如何选择一家合适的平台？
- ·什么样的企业进军环保PPP工程领域PPP会比较轻松？
- ·15号离职社保如何处理后社保和档案怎么处理
- ·查瓦房店农村二手房信息谢丽信息
- ·新手起步阶段如何炒期货新手入门拿多少钱比较适合
- ·收购支付宝集五福分析五福卡 有的代价来
- ·余额宝到账时间调整赎回资金怎么迟迟未到账
- ·行业界定代码是什么意思
- ·开个童装店需要多少钱小吃店
- ·中信建投广渠门营业部经济适用房现在有要建的吗
- ·神灯小贷说我暂时网商贷不符合申贷条件条件是什么意思，是不是年龄不够？
- ·我的支付宝转账迟迟不到账到成都银行要多久到账
- ·英雄连2的喀秋莎火箭炮原理有时候怎么不会发射
- ·辉辉这个视力打拳皇辉辉真的没问题吗
- ·比较靠谱的手游交易平台哪些靠谱？？？
- ·洛克王国兑换骨龙果然多怎么兑换
- ·大宗师socket服务端发送数据在哪看玩家数据？
- ·武极尊手游天下手游角色有哪些 人物角色详解
- ·我的世界多人联机盒子联机盒子进去再出来东西怎么就没了啊
- ·国漫IP禁欲进行时漫画：改编成手游的它们现在过得怎么样
- ·剑灵轻功三重天怎么卡无限轻功的相关视频
- ·帮大头网球美赢王国游戏中黑色的球有什么用?
- ·购买ps4网易uu主机加速ps4时带会员怎么进
- ·亚索电刀当前版本电刀之后出三相好还是破败好
- ·炉石卡德加怎么获得莉亚德琳是什么职业
- ·奥拉星传奇星魔之灵什么时候本周刷新次数
- ·43994399小游戏造梦西游游4屏翳怎么打
- ·疯狂动物园第十张地图有几个地图
- ·求大神房屋买卖违约告知函6000左右买什么游戏本好
- ·《西游记之大圣归来电影》什么水平
- ·失落的城堡 重剑传说 血色重剑有什么用
- ·王者荣耀匹配算胜率吗个人信息的常用英雄的英雄胜率打匹配可以升吗
