机器学习发展到现在,已经积累了非常多的文章,特别是深度学习火起来后,每年新增加的论文非常多,如果需要研究某个领域,不仅需要阅读这个领域经典的论文,也必须时刻关注最新的学术进展,比如最近两年特别火的 GAN,不仅需要先了解它的第一篇开山之作--"Generative Adversarial Nets",也需要关注最新发表的该领域的论文。
Python能把数据自动输出成折线图、三维图、直方图、嵌套饼图等规范高质量的图表,直观展示千辛万苦得来的研究成果,助力文章发表。
选自GitHub 作者:eriklindernoren 机器之心编译 参与:刘晓坤、思源、李泽南 生成对抗网络一直是非常美妙且高效的方法,自 14 年 Ian Goodfellow 等人提出第一个生成对抗网络以来,各种变体和修正版如雨后春笋般出现,它们都有各自的特性和对应的优势。本文介绍了主流的生成对抗网络及其对应的 PyTorch 和 Keras 实现代码,希望对各位读者在 GAN 上的理解与实现有所帮助。 PyTorch 实现地址:https://github.com/eriklindernoren/
介绍和引入 最近初学NLP相关的深度学习,下了很多论文,数量一多,发现论文管理是个问题。 首先论文数目一多,必须要按类别放到子文件夹下。但是某一篇论文,往往有多个主题。比如说某论文使用word2vec给短文本分类,那这篇论文既可以放在word2vec的目录下,也可以放在短文本的目录下,也可以放在分类的目录下。当你有天想去看了,往往又忘了是放在哪个子目录下了。再比如说,你下载了一些论文,下载的时候你知道这些论文的重要性(引用次数或者对项目的重要性)和紧急性(比如你三天之内都要看完)。但是当你把它放在某个子目
生成对抗网络及其变体的实现分为基于 Keras 和基于 PyTorch 两个版本。它们都是按照原论文实现的,但模型架构并不一定完全和原论文相同,作者关注于实现这些论文最核心的思想,而并不确定所有层级的配置都和原论文完全一致。本文首先将介绍各种 GAN 的论文摘要,然后提供详细论文和实现的地址。
本文介绍了关于神经网络模型压缩、加速和优化的一些研究进展。作者从模型压缩、加速和优化三个方面进行介绍,并分别列举了每项研究中涉及的技术、方法和案例。通过对比分析,指出各种方法的优缺点和适用场景。此外,作者还对未来的研究趋势进行了展望,认为将模型压缩与加速技术结合是未来研究热点。
【导读】在过去的一个月中,我们对近 1000 篇 Python 文章进行了排名,挑选了其中最重要的 10 篇文章。
近日一篇“A guide to small-molecule structure assignment through computation of (1H and 13C) NMR chemical shifts”文章火爆网络,据作者看到的资料上看这篇论文自身的结果没有什么问题,但是,这篇论文附带了一份 Pyhon 程序,这个附带的 Python 脚本会出现一定问题。为了深入分析,作者第一时间下载了相关代码。
【GiantPandaCV导语】torch.fx对于PyTorch来说确实是一个比较好的工作,因为它消除了一些动态图和静态图的Gap。比如在图改写方面,torch.fx让PyTorch想做一些其它静态图框架的算子融合优化非常容易。并且torch.fx让后训练量化和感知训练量化以及AMP等的实现难度大大降低,这得益于我们可以直接在Python层操作这个IR,所以我认为这是一个不错的工作。尤其是对使用PyTorch开发的算法工程师来说,现在可以基于这个特性大开脑洞了。我之前围绕FX也做了一个QAT的工作,感兴趣可以阅读:基于OneFlow实现量化感知训练。torch.fx的卖点就是,它使用纯Python语言实现了一个可以捕获PyTorch程序的计算图并转化为一个IR的库,并且非常方便的在这个IR上做Pass,同时提供将变换后的IR Codegen合法的Python代码功能。我觉得算是达到了在Eager下写Pass就像做链表插入删除题目一样顺滑。
2023年8月24日,Meta 开源了基于 Llama 2) 通用 LLM 的代码生成系列模型 Code Llama),支持Python, C++, Java, PHP, TypeScript, C# 和 Bash 编程语言,而且支持学术研究和商业使用。
编辑: 常佩琦 【新智元导读】 Keras之父、谷歌大脑人工智能和深度学习研究员François Chollet 近日接受采访,对自己的新书《Python深度学习》、Python为何广受欢迎、深度学习面临的挑战等议题进行回答。他认为,大多数深度学习论文都没有遵循科学的研究方法,并未产出有意义的新知识,学术界应该更严谨。 Keras之父、谷歌大脑人工智能和深度学习研究员François Chollet最新撰写了一本深度学习Python教程实战书籍《Python深度学习》,书中介绍了深度学习使用Python语
有些同学在写论文的时候光注意文字的阐述,忽略掉了一个重要因素——图表。插入的图表不仅无意义,有时候甚至造成图表影响了文章内容表达。
译者 | 刘畅 出品 | 人工智能头条(公众号ID:AI_Thinker) 【导读】在过去的一个月中,我们对近 1000 篇 Python 文章进行了排名,挑选了其中最重要的 10 篇文章。 本次推荐文章包括:Backend, Book, PLSDR, Dlib, Pipenv, Web Scraping, Serverless, LSTM, Gensim, 2D game。 作为一篇为专业人士提供论文排名的文章,我们严格把控了论文的质量,确保每一篇论文的可读性。我们用 Mybridge AI 考量了分享
最近几个月,有很多同学都私信我,问我NLP到底应该怎么学,这两天我就根据自己的经验,做了一个简单的总结,导图在手机上看着可能比较小,大家可以在电脑上看,或者保存到手机再放大。如果第一次刷进来没有图,后退重进就好了,可能是因为图太大了。
面对每天海量的arxiv论文,以及AI极速的进化,我们人类必须也要一起进化才能不被淘汰。ChatPaper是一款论文总结工具。AI用一分钟总结论文,用户用一分钟阅读AI总结的论文。
今天偶然看到Numpy在Nature上发布的一篇论文,觉得很有意思,一个Python库也能发顶级期刊。等我看完这篇文章,确实被Numpy的强大震撼到。
简说Python助手 GPTs 体验地址:https://chat.openai.com/g/g-p2bM05cEq-jian-shuo-python
又到了我校一年一度的论文开题和中期检查时间,平时看上去忙碌却一个字都还没写的学生还是大有人在的,而我也就是其中一位~今天,我就来说说我是如何利用Python帮小姐姐们写论文的。 PS:不是代写,就是帮忙处理数据,建模,拒绝代写,从我做起。
大数据文摘授权转载自数据派THU 作者:林嘉亮 审校:陈之炎 看到一篇绝佳的AI论文,非常期待作者能提供源代码,全文搜索HTTP,可惜出来的都不是源代码的链接。好不容易碰到一篇附带源代码的论文,点进去却是大大的404。终于发现某个不是404的源代码仓库,结果只是放上了几句说明,写着“代码coming soon”,然后一等就是一万年...... 所以,AI顶会论文中附带源代码的占比究竟有多少?这些代码中有多少已经失效了?这些代码的特点如何?作者是否为读者提供了足够详细的文档来运行这些源代码? 来自厦门大学自然
当今人工智能方向越来越卷了,系统化学习能够让你高效的利用时间,达到事半功倍的效果。今天给大家推荐10个优质原创公众号,助你在系统化学习的路上一臂之力。 小白学视觉 哈工大博士创建的公众号,专注于计算机视觉技术。每天更新技术讲解、招聘信息、论文解读等内容。博主出版《opencv 4快速入门》,已经加印十余次。 公众号开源了《Python视觉实现项目71讲》、《pytorch常用函数手册》等资料,关注公众号免费下载! 点击上方名片可关注 深度学习与图网络 图神经网络你有了解过吗?深度学习与图网络公众号专注深度
选自GitHub 作者:Xingdong Zuo 机器之心编译 参与:吴攀 《价值迭代网络(Value Iteration Networks)》是第 30 届神经信息处理系统大会(NIPS 2016)的最佳论文奖(Best Paper Award)获奖论文,机器之心曾在该论文获奖后第一时间采访了该论文作者之一吴翼(Yi Wu),参见《独家 | 机器之心对话 NIPS 2016 最佳论文作者:如何打造新型强化学习观?(附演讲和论文)》。吴翼在该文章中介绍说: VIN 的目的主要是解决深度强化学习泛化能力较弱的
论文地址:https://papers.nips.cc/paper/9015-pytorch-an-imperative-style-high-performance-deep-learning-library.pdf
这个代码以 ipynb后缀名的文件存储,我打开这个文件的方式是使用 Jupyter lab,安装好anaconda3以后jupyter lab默认就可以使用了。
1.《fluent python》(中文版:《流畅的python》) 这本书来源于某个公众号的推荐(忘了是哪个了),在读这本书之前,已经阅读了市面上很多python书籍,比如《python核心编程》,《python学习手册》,《python源码剖析》,这些书籍在一定程度上写的很不错,但给你的感觉就像是读官方文档,没有注入作者自己的想法,直到遇上了《流畅的python》,这本书从数据模型开始讨论,从python的基础数据结构开始引入整个python的设计哲学,对!这本书灌输给你的就是python是如何设计它的语言特性的,一般的书你读了可能就是对的,就应该这么写,作者不会去剖析为什么要这么写,这本书不然,处处体现了python的为什么要这么设计,而不是告诉你要怎么写。不剧透了,如果要进阶python,这本书是不二之选。(注:如果有可能可以去读读英文原版,因为我读了翻译版后,找了原版再去复习了一遍,感觉目前的翻译版本翻译的不怎么好,有些细节在翻译的过程中丧失了。) 2.《designing data-intensive application》(暂无翻译版) 这本书是有关数据系统设计的书,可以这么说,读完这本书再去读大数据的相关论文就是事半功倍,很后悔之前没读这本书就读了那些大数据的相关论文,现在慢慢的回过头再去回味那些论文,很多疑惑都解开了。全书以数据库评价指标开头,从单机的数据模型,存储、搜索、文件格式、传输慢慢聊到分布式系统下的一致性和共识,最后再整合,让你拍案叫绝。唯一的遗憾在于它至今没有中文版。 3.《programming in Scala》(中文版:《Scala编程》) 这本书的作者就是Scala的设计者,显然书籍的含金量不容置疑。全书充满着书生的学究气,不把一件事挖到底决不罢休。作为语言的设计者,除了描述Scala的使用,也会讲述Scala这门语言为什么要这么设计。如果你是初学者,我觉得这本书不适合你,虽然这本书也包含了入门,但是作者显然没把你当作初学者看待。 其实还读了一些网上书单推荐的书,例如《高可用架构》,《clean architecture》等,这些书感觉都像是一种描述性的语气讲述着知识点,知其然而不知其所以然,读读即可。
植物里的抗病基因更倾向于成簇存在,分析抗病基因家族通常也会分析成簇存在的或者单个存在的抗病基因的比例,之前想自己写脚本统计这个数据,但是怎么写代码一直没有想明白,最近看论文
来源:PaperWeekly 本文共900字,建议阅读6分钟。 本文为你罗列近期Github上十大有趣的机器学习开源项目。 -01- Face Recognition #世界上最简单的人脸识别库 本项目号称世界上最简单的人脸识别库,可使用 Python 和命令行进行调用。该库使用 dlib 顶尖的深度学习人脸识别技术构建,在户外脸部检测数据库基准(Labeled Faces in the Wild benchmark)上的准确率高达 99.38%。 项目链接: https://github.com/agei
当前的深度学习理论是由Geoffrey Hinton大神在2007年确立起来的,但是如今他却认为,“CNN的特征提取层与次抽样层交叉存取,将相同类型的相邻特征检测器的输出汇集到一起”是大有问题的。 去年9月,在多伦多接受媒体采访时,Hinton大神断然宣称要放弃反向传播,让整个人工智能从头再造。10月,人们关注已久的Hinton大神那篇Capsule论文"Dynamic Routing between Capsules"终于揭开面纱。 在论文中,Capsule被Hinton大神定义为这样一组神经元
作者:林嘉亮审校:陈之炎 本文约3500字,建议阅读10分钟相当多的作者没有向用户提供足够详细的文档,导致了一些重要信息的缺失。
论文1:How to Combine Tree-Search Methods in Reinforcement Learning
来源:PaperWeekly 本文共900字,建议阅读6分钟。 本文为你罗列近期Github上十大有趣的机器学习开源项目。 -01- Face Recognition #世界上最简单的人脸识别库
上次写了一篇文章介绍CVPR 2019最新提交的工业缺陷检测新思路基于图像语义分割网络实现缺陷检测,当时我们的一位读者看到非常感兴趣,关键是还很厉害,直接实现了论文中提到缺陷检测网络,基于tensorflow+slim框架复现了基于KolektorSDD数据集的检测效果,先看一下测试运行效果:
老师突然要求交上去的论文需要在附录加上代码,奈何我使用的LaTeX模板只能高亮显示Matlab的代码,但是我写论文的时候绝大部分代码都是用Python写的在这里实名吐槽一下Matlab的数据处理功能这么拉跨,不知道为什么还被拿来当数据挖掘课的第一语言,没办法,只能找一个方法让LaTeX里面能高亮显示Python代码。
传统意义上科学被分为两类:经验科学与理论科学,但在过去的几十年中计算渐渐成为了科学重要的一部分。科学计算在接近理论的同时又包含很多实验工作的特性,因此常常被看作是科学的第三分支。在大多数领域中,计算工作是对经验与理论的一个重要补充,现今大量的论文都包含了数值计算,计算机模拟和建模。
编译 | 苏宓 出品 | CSDN(ID:CSDNnews) Python 的运行速度快吗?虽说不同场景不同定论,但整体而言,它没有 C、Java 快。这也导致 Python 凭借可读性、简单易上手、良好的生态系统横行 AI 领域时,一提到速度,就成为众多开发者头疼的问题。 为了解决这一难题,麻省理工学院的计算机科学家出手了,他们共同研发了一种名为 Codon 的 Python 编译器,可以将 Python 代码转化为本地机器代码,而不会对运行时的性能产生影响。 当前,Codon 已经在 GitHub 上
ILSVRC2012数据集 下载ILSVRC2012数据集。需要先注册账号并登陆。也可以直接用ImageNet数据集代替。 下载好的ILSVRC2012数据集是3个.tar后缀的打包文件,需要解包。
项目地址:https://github.com/JiahuiYu/generative_inpainting
1. 前言 爬虫,这个词很多朋友第一次听到,第一感觉应该是各种小虫子,应该不会和某种计算机技术联系在一起。我第一次听到这个词,就是这样一个感觉。但是当这个这个词前面加了网络二字时,瞬间勾起了我的兴趣,当然也带来了疑问。比如,网络爬虫是什么?有什么用?后来带着强烈的兴趣和疑问,查询了很多资料,以求搞清除我的疑问。当我的疑问被解决的解决之后,怀着对爬虫技术崇敬的心情做了一个决定,我要实现一个属于自己的爬虫程序。 在我做这个决定的时候,时间节点是大三上学期期末。后来,过完寒假,到了大三下学期。我在大三下全学期用了
【新智元导读】Uber近日一篇论文引起许多讨论:该论文称发现卷积神经网络一个引人注目的“失败”,并提出解决方案CoordConv。论文称CoordConv解决了坐标变换问题,具有更好的泛化能力,训练速度提高150倍,参数比卷积少10-100倍。当然,这是在极大的计算力(100个GPU)的基础上进行的。这真的是重要的结果吗?计算机视觉领域专家Filip Piekniewski对此提出质疑。
https://blog.csdn.net/weixin_43624538/article/details/90636070
打算每周整理下这周看过觉得不错的文章,主要是机器学习、深度学习、Python编程方向的,包括但不局限于论文、综述、有趣的项目以及工具教程推荐,目前这个系列的名字还没想好,就先这样命名吧
近日,一个 GitHub 项目对本届大会的论文接收情况、关键词等相关信息进行了可视化分析,也许能为我们提供有关计算机视觉热门研究方向的洞见。
在过去一个月中, Mybridge 从 250 个机器学习开源项目中挑选出了 Top 10。Mybridge AI 比较了这期间发布的新项目和重大项目,然后依据多个指标对这些项目的质量进行了衡量,最终生成了这些项目的排名,希望你能从中找到给你启发的有趣项目。
大家好呀~今天在Datawhale的群里看到有些小伙伴在论文上苦苦挣扎,脑海中一下子浮现出各种论文扩充的“奇技淫巧”,突然发现自己在这方面有一些亲身实践过的方法,遂提笔希望能帮助到毕业困难的你(手动狗头)。真是干啥啥不行,水论文第一名。
CVPR 2021 相关论文、代码 、解读和demo整理,同时为了方便下载论文,已把部分论文上传到上面了,欢迎小伙伴们 star 支持一波!
哈喽朋友们,欢迎来到本期『什么值得看』,如果你还不知道这是干啥的,可以戳往期内容: 什么值得看 | 0102——0109 什么值得看 | 0110——0116 每周日定期分享,内容可能会比较多比
译者 | Shawn 出品 | 人工智能头条(公众号ID:AI_Thinker) 在过去一个月中, Mybridge 从 250 个机器学习开源项目中挑选出了 Top 10。Mybridge AI 比较了这期间发布的新项目和重大项目,然后依据多个指标对这些项目的质量进行了衡量,最终生成了这些项目的排名,希望你能从中找到给你启发的有趣项目。 (此前发布过多篇收藏党喜欢的文章,也是来自Mybridge:①Python 开源项目 Top 10 精选,平均star为1128! ② 从15000个Python开源项目
雷锋网(公众号:雷锋网) AI 研习社消息,相信大家对于「深度学习教父」Geoffery Hinton 在去年年底发表的胶囊网络还记忆犹新,在论文 Dynamic Routing between Capsules 中,Hinton 团队提出了一种全新的网络结构。为了避免网络结构的杂乱无章,他们提出把关注同一个类别或者同一个属性的神经元打包集合在一起,好像胶囊一样。在神经网络工作时,这些胶囊间的通路形成稀疏激活的树状结构(整个树中只有部分路径上的胶囊被激活)。这样一来,Capsule 也就具有更好的解释性。
今天,我们将介绍深度学习领域的一个著名网络AlexNet。2012年,Hinton的学生Alex Krizhevsky在寝室用GPU死磕了一个Deep Learning模型,一举摘下了视觉领域竞赛ILSVRC 桂冠,在百万量级的ImageNet数据集合上,以62.5%的TOP1准确率夺得冠军,并远远领先于同期的其他算法,震惊了CV届。 AlexNet的出现,正式开启了卷积神经网络在图像处理和许多相关领域的应用,带来了这一波持续至今的深度学习热潮。 并且确立了深度学习在计算机视觉的统治地位,同时也推动了深度
领取专属 10元无门槛券
手把手带您无忧上云