2018年下半年，別錯過這些深度學(xué)習(xí)項目！
2018-12-21 來源：raincent
深度學(xué)習(xí)現(xiàn)在是一個非�；鸨念I(lǐng)域，很難對其快速的發(fā)展一一記錄。
今年早些時候，作為嘗試記錄深度學(xué)習(xí)領(lǐng)域進展的第一步，本文作者Ross Taylor創(chuàng)建了網(wǎng)站Papers With Code。該網(wǎng)站是一個將深度學(xué)習(xí)研究論文與其實現(xiàn)代碼相連接的社區(qū)。
Papers With Code：www.paperswithcode.com
這個網(wǎng)站也使得作者對深度學(xué)習(xí)領(lǐng)域有了一個全面的了解�；诖�，通過本文我們可以看到AI的研究趨勢是什么，社區(qū)正在采用哪些框架，以及哪些技術(shù)正在受到青睞。
最受歡迎的發(fā)布：BERT，vid2vid和graph_nets
Google AI的BERT論文在10月份引起了深度學(xué)習(xí)界的關(guān)注。本文提出了一種深度雙向編碼器模型，該模型可實現(xiàn)11種NLP任務(wù)的最先進性能，包括斯坦福問答(SQUAD)數(shù)據(jù)集。 Google AI開源了他們論文的代碼，這是深度學(xué)習(xí)庫類別中，獲得最多的“星星”的開源代碼。
論文下載地址：https://arxiv.org/abs/1810.04805
論文代碼：https://github.com/google-research/bert
NVIDIA的一篇關(guān)于視頻到視頻合成的論文，是生成建模的又一個驚人結(jié)果，生成模型是過去幾年中最受歡迎的深度學(xué)習(xí)領(lǐng)域之一。該文利用新穎的順序生成器體系結(jié)構(gòu)，以及諸如前景和背景先驗等許多其他設(shè)計特征，修復(fù)了時間不連貫的問題、提高性能。 NVIDIA開源了他們的代碼，歡迎程度位居第二。
論文下載地址：https://arxiv.org/abs/1808.06601/
代碼地址：https://github.com/NVIDIA/vid2vid/
谷歌DeepMind關(guān)于圖形網(wǎng)絡(luò)的論文在今年年中受到了很多關(guān)注。圖形網(wǎng)絡(luò)是深度學(xué)習(xí)開始嘗試的新型結(jié)構(gòu)化數(shù)據(jù)(大多數(shù)深度學(xué)習(xí)應(yīng)用都是基于向量和序列)。此開源庫的受歡迎程度排列第三。
論文下載地址：https://arxiv.org/abs/1806.01261v3
代碼：https://github.com/deepmind/graph_nets/
最受歡迎的社區(qū)：DeOldify，BERT和Fast R-CNN
DeOldify
DeOldify使用SA-GAN，這是一個從PG-GAN獲得靈感的架構(gòu)，應(yīng)用兩個時間尺度的更新規(guī)則。
DeOldify項目非常迷人。作者Jason Antic復(fù)現(xiàn)了許多生成建模領(lǐng)域的論文，包括自注意力GAN，逐步增長的GAN和兩個時間尺度的更新規(guī)則。在撰寫本文時，該項目的代碼在GitHub上有超過4,000顆星。
DeOldify：https://github.com/jantic/DeOldify
BERT
基于PyTorch框架而實現(xiàn)的BERT也非常受歡迎。深度學(xué)習(xí)社區(qū)不斷涌現(xiàn)的代碼往往不是基于Tensorflow就是基于PyTorch，同時用兩個框架實現(xiàn)的需求越來越大，這樣可以方便整個深度學(xué)習(xí)社區(qū)使用它們。 作者Junseong Kim的工作清楚地說明了這一點。目前，這個項目的代碼在github上享有超過1,500個星星。
BERT：https://github.com/codertimo/bert-pytorch
Mask R-CNN
最后，Waleed Abdulla的基于Keras / TensorFlow實現(xiàn)Mask R-CNN是GitHub第三個獲得星數(shù)最多的代碼。在架構(gòu)上，該實現(xiàn)使用特征金字塔網(wǎng)絡(luò)和ResNet101基礎(chǔ)網(wǎng)絡(luò)，并且該庫可用于許多應(yīng)用，例如3D建筑物重建，自動駕駛汽車的物體檢測，地圖中的建筑物類型探測等。該庫在GitHub上有超過8,000顆星。
論文下載地址：https://arxiv.org/abs/1703.06870
代碼：https://github.com/matterport/Mask_RCNN
最熱門應(yīng)用：NLP和GAN
在前50個流行的實現(xiàn)應(yīng)用中，生成模型和自然語言處理(NLP)是兩大最熱門領(lǐng)域。對生成模型而言，GitHub上的流行實現(xiàn)包括：vid2vid，DeOldify，CycleGAN和faceswaps。而在NLP中，流行的GitHub庫包括BERT，HanLP，jieba，AllenNLP和fastText。
7篇新論文中1篇有代碼
你的研究沒有代碼，你在社區(qū)上就不會備受關(guān)注，規(guī)則就是這樣簡單。以下是作者分析他自己平臺上的論文代碼復(fù)現(xiàn)情況：
分析基數(shù)是過去5年中60,000多份機器學(xué)習(xí)論文，在6萬篇論文中，將近12%有代碼實現(xiàn)。在過去的6個月中，約15%的新發(fā)表論文(即七分之一的論文)都發(fā)布了實現(xiàn)代碼。
每隔20分鐘，就有一篇新的機器學(xué)習(xí)論文
自7月以來，機器學(xué)習(xí)論文的增長率一直在每月3.5%左右，以此計算，每年的增長率約為50%。這意味著每月大約2,200篇機器學(xué)習(xí)論文，預(yù)計明年將有大約30,000篇新的機器學(xué)習(xí)論文。
在過去3年中，作者網(wǎng)站上的機器學(xué)習(xí)論文的數(shù)量似乎比摩爾定律的增長速度更快，這讓你感覺人們相信這將是未來計算技術(shù)價值的出處。
框架雙頭壟斷：TensorFlow和PyTorch
雖然PyTorch并不落后，但網(wǎng)站上的大多數(shù)實現(xiàn)似乎都是基于TensorFlow的。其他的框架(MXNet，Torch和Caffe2)在生態(tài)系統(tǒng)中的存在要小得多。鑒于兩個框架中都發(fā)生了變化：TensorFlow正朝著即刻執(zhí)行和由Keras激發(fā)靈感的新API方向發(fā)展;PyTorch則希望能夠更輕松地把模型產(chǎn)品化。
相關(guān)報道：https://medium.com/atlas-ml/state-of-deep-learning-h2-2018-review-cc3e490f1679
標簽： Google seo swap 代碼 谷歌 網(wǎng)絡(luò)
版權(quán)申明：本站文章部分自網(wǎng)絡(luò)，如有侵權(quán)，請聯(lián)系：west999com@outlook.com
特別注意：本站所有轉(zhuǎn)載文章言論不代表本站觀點！
本站所提供的圖片等素材，版權(quán)歸原作者所有，如需使用，請與原作者聯(lián)系。
