又到週末。
休息之餘，為大家奉上過去一週引發 AI 開發者圈子關注的那些事兒。大夥兒泡杯茶，坐在搖椅上，一起來看看在埋頭工作的這個星期，外面的世界又有哪些變化。
微軟發起 Minecraft AI 挑戰賽
本週，基於 Minecraft 上的知名 AI 技術研究測試平臺 Project Malmo，微軟發起了一項 AI 協作挑戰賽：The Malmo Collaborative AI Challenge，目前已經開始註冊報名。
比賽要求每支參賽隊伍（最多 3 名隊員）開發並訓練一個 AI 軟件產品。然後通過該軟件產品參加一個名為 Pig Chase （小豬快跑）的小遊戲。該遊戲在 Minecraft 環境中展開，每局遊戲有兩名參賽者，一方為參賽隊伍開發的 AI 軟件產品，另一方為系統隨機分配的隊友，有可能是人類選手，也有可能是另一個隊伍開發的 AI 軟件。遊戲一開始，參賽雙方都有 25 分的原始積分，比賽要求雙方在 25 步之內將一隻小豬抓住，每走一步會減掉 1 分，最終抓住小豬雙方各得 25 分，每輪比賽 10 局，最終累計得分高者獲勝。
目前，關於 Pig Chase 的樣例代碼和詳細說明已經公開在 GitHub 上：
https://github.com/Microsoft/malmo-challenge/blob/master/ai_challenge/pig_chase/README.md
詳情：http://www.leiphone.com/news/201703/yFsaEbO7oAoODl9g.html?type=preview
Keras 2 發佈，無縫支持 TensorFlow
在本次版本更新中，最重要的一項內容就是增強了 Keras 與 TensorFlow 的邏輯一致性。按照 Keras 在博客中的說法：“這是將 Keras API 整合到 TensorFlow 核心的一個重要的準備步驟”。
實際上，從 2015 年 12 月的版本開始，Keras 就已經支持用戶將 TensorFlow 作為運行後端（runtime backend），但此前，Keras 的 API 與 TensorFlow 的代碼庫尚處於相互隔離的狀態。未來，從 TensorFlow 1.2 版本開始，Keras 2 API 將作為 TensorFlow 框架的一部分直接向用戶提供支持，Keras 在博客中表示：“這是 TensorFlow 實現下一個百萬用戶級目標的關鍵”。
詳情：http://www.leiphone.com/news/201703/qjvnXzgYryMxs2xK.html
谷歌升級語義理解框架 SyntaxNet
這是 SyntaxNet 自誕生以來的最重大升級。這建立在谷歌對各語言的語義理解研究基礎之上。此次升級的核心是一項新技術：能對輸入語句的多層表示進行很好的學習。具體來講，它延伸了 TensorFlow，能對多層語言結構進行合成建模，還能夠在語句或文件處理過程中，動態地生成神經網絡架構。
谷歌同時發佈了新的預訓練過的模型 ParseySaurus。它使用了基於字母的輸入表示，因此極大提升了預測新詞語含義的能力。這是基於兩個方面來實現：詞彙的拼寫和在語境中的使用方式。雷鋒網瞭解到，ParseySaurus 的準確率遠遠超出 Parsey's Cousins，錯誤率降低了 25%。由於語言的形態特性和其他屬性，新模型在俄語、土耳其語、匈牙利語上的效果尤其好——這些語言中，同一個詞彙有多種不同形態，其中許多形態從未在訓練階段出現過（即便是大型語料庫）。
詳情：http://www.leiphone.com/news/201703/9mP1ewE1EWivGPyc.html
Cloudera 發佈自助式數據開發工具
在聖何塞舉行的 Strata+Hadoop World 大會上，美國大數據服務商 Cloudera 發佈了 Cloudera Data Science Workbench —— 一個運行於 Cloudera Enterprise，自助式的數據科學開發環境。目前該全新研發的軟件尚在 beta 內測階段。
雷鋒網獲知，其相關技術來自於 Cloudera 去年收購的數據科學初創公司 Sense.io。該產品的最大特點是原生支持 Apache Spark、Hadoop 和 R、Python、Scala 等開發語言。 開發者能在 Cloudera 的企業平臺上同時使用這些工具和語言，這將加速數據分析項目從研發到最終產品的過程。
詳情：http://www.leiphone.com/news/201703/YTpa23qzTQBepxl5.html
推薦深度閱讀
用數據說話：把自拍照變成畢加索名畫 哪種算法最高效？
有位外國開發者根據 fast.ai 平臺開設的深度學習代碼實踐課程，親手實現了一個照片風格轉換器，並對幾種常見的優化算法的性能進行了綜合對比，最終以圖表加博客的方式記錄下來。
作者比較了基於 CNN 的六種優化算法：梯度下降、Adadel、RMSProp、Adam、L-BFGS 和 Adagrad。雷鋒網對全文進行了編譯。
詳情：http://www.leiphone.com/news/201703/Isacz6x6dDNQPDVW.html?type=preview
相關推薦
