携手创造,共同成长!这是我参与「日新方案 8 月更文挑战」的第32天,点击查看活动概况
日报合辑 | 电子月刊 | 大众号下载材料 | @韩信子
东方甄选推独立App,新晋『抖音一哥』这就要自立门户了?
东方甄选在各大应用渠道上线了同名独立App,据第三方数据显示,现在累计下载量已挨近20万。
APP底部有甄选、分类、购物车和我的订单4个入口。『分类』页面,除了东方甄选自营商品以外,共有11个类目的近千款商品,大多是零食、生鲜、农副产品和图书等,品类与抖音商城基本共同,商品价格也无明显变化,仅部分产品参与限时折扣。App当时还仅限于购物,直播等功用没有注册。
俞敏洪6月底直播时表明,未来东方甄选会十分认真地布局,建立一个立体化的出售渠道,为更多的我国商家服务,除了抖音以外,也会考虑到其他地方;还会以较快速度自建产品体系,类似于网易严选。东方甄选独立App上线,阐明正在沿着俞敏洪预设的轨迹前进。
东西&结构
『bqplot』IPython/Jupyter notebooks绘图库
github.com/bqplot/bqpl…
bqplot 是一个 IPython/Jupyter notebooks 绘图库,在 bqplot中,一个绘图的每个组件都是一个交互式部件。这使得用户能够将可视化与其他Jupyter交互式部件集成起来,只需几行Python代码就能够创建集成的图形用户界面。
『flink-ml』Apache Flink机器学习库
github.com/apache/flin…
flink.apache.org/zh/
Flink ML是一个供给机器学习(ML)API和根底设施的东西库,它简化了ML管道的构建。用户能够用标准的ML APIs完成ML算法,并进一步运用这些根底设施来建立ML管道,用于练习和推理作业。Flink ML是在Apache Flink的根底上开发的。
『Azimuth』面向文本分类的开源数据集和过错剖析东西
github.com/ServiceNow/…
servicenow.github.io/azimuth/mai…
Azimuth 是一个开源的应用程序,经过数据集和过错剖析,协助人工智能从业者和数据科学家更好地了解他们的数据集和模型猜想。它利用不同的东西,包含鲁棒性测试、语义相似性剖析和杰出性地图,由智能标签和拟议行动等概念一致起来。现在只支持文本分类用例。
『gym-wordle』Wordle的Gym强化学习研讨环境
github.com/zach-lawles…
Wordle是一个猜词游戏,玩家有六次猜词机会,以猜出当天的五个字母的躲藏单词。根据玩家的猜想,游戏会对所猜单词中的每个字母供给反应。如果玩家在用完一切的六个猜想之前猜对了这个词,游戏就赢了。这个猜词游戏被构建为强化学习环境,能够被运用。
『Opni』Opni = Kubernetes的AIOps + 日志 + 监控
github.com/rancher/opn…
opni.io/v0.4/
Opni 具有日志反常检测功用:只需将你的日志提交给Opni,其人工智能模型将自动学习并识别你的控制渠道、etcd和应用程序日志中的反常行为。
博文&共享
『Mathmatical Foundation of Reinforcement Learning』强化学习的数学根底免费书稿
github.com/MathFoundat…
这是新书『强化学习的数学根底』的书稿,作者赵世钰,现任西湖大学工学院智能无人系统试验室主任。2022年秋季是作者第四次教授强化学习的研讨生课程,撰写这份材料是为了补偿已有教材的缺乏,具有以下特色:
- 从数学角度介绍强化学习各主题,协助读者更好地了解算法的数学本源、规划初衷与效果机制。
- 数学的出现办法也经过精心规划,深度也被细心地控制在适当的水平。
- 书中大量示例均根据网格世界使命,十分易于了解,且有助于阐明新概念和算法。
- 将算法中心思维与可能涣散读者注意力的复杂问题进行了区分,协助读者更好地掌握算法心思维。
- 章末有问答部分,汇总收拾自网络上的常见问题,并给出了明确的参考答案。
本书的每一章都在前一章的根底上构建,并为后续章节奠定了必要的根底。不同章节内容主题与彼此之间的联系如图所示。
- 第2章:贝尔曼方程,是剖析状态值的基本东西
- 第3章:贝尔曼最优方程,是一个特殊的贝尔曼方程
- 第4章:值迭代算法,是一种求解贝尔曼最优方程的算法
- 第5章:蒙特卡罗学习,是第4章战略迭代算法的扩展
- 第6章:随机迫临的根底常识
- 第7章:时差学习,第6章是本章的根底
- 第8章:扩展了表格时刻对价值函数迫临状况的差分学习办法
- 第9章:战略迭代
- 第10章:actor-critic 办法
『Python Head First Design Patterns』深入浅出规划模式(第二版)Python版代码
github.com/rebuild-123…
github.com/bethrobson/…
这是GitHub上 2.7K Star的项目『Head First Design Patterns』的Python版完成。原项目的代码为 java。
数据&资源
『Adversarial Explainable AI』对抗可解释AI相关资源列表
github.com/hbaniecki/a…
hbaniecki.com/adversarial…
『Awesome NeuroAI Papers』神经科学与深度学习交叉论文列表
github.com/CYHSM/aweso…
研讨&论文
大众号回复要害字日报,免费获取收拾好的论文合辑。
科研发展
- 2022.08.11 『语音降噪』 Speech Enhancement and Dereverberation with Diffusion-based Generative Models
- 2022.08.18 『方针检测』Unifying Visual Perception by Dispersible Points Learning
- 2022.08.18 『方针检测』RFLA: Gaussian Receptive Field based Label Assignment for Tiny Object Detection
- 2022.08.08 『看图说话』Analog Bits: Generating Discrete Data using Diffusion Models with Self-Conditioning
⚡ 论文:Speech Enhancement and Dereverberation with Diffusion-based Generative Models
论文时刻:11 Aug 2022
范畴使命:Speech Dereverberation,语音降噪
论文地址:arxiv.org/abs/2208.05…
代码完成:github.com/sp-uhh/sgms…
论文作者:Julius Richter, Simon Welker, Jean-Marie Lemercier, Bunlong Lay, Timo Gerkmann
论文简介:Furthermore, we show that the proposed method achieves remarkable state-of-the-art performance in single-channel speech dereverberation./此外,咱们还表明,所提出的办法在单通道语音去混响方面取得了明显的先进功能。
论文摘要:最近,根据涣散的生成模型已被引入到语音增强的使命中。清洁语音的损坏被建模为一个固定的前向进程,在这个进程中,越来越多的噪声被逐渐参加。经过学习以迭代的办法逆转这一进程,并以噪声输入为条件,生成洁净的语音。咱们在曾经作业的根底上,在随机微分方程的方式中推导出练习使命。咱们对基本的分数匹配方针进行了详细的理论回忆,并探讨了在测试时解决反向进程的不同采样器装备。经过运用天然图画生成文献中的一个复杂的网络结构,与咱们曾经的办法比较,咱们明显提高了功能。咱们还表明,在对不同于练习用的语料库进行点评时,咱们能够与最近的判别性模型竞赛,并完成更好的泛化。咱们用主观听觉测试来弥补点评成果,其中咱们提出的办法被评为最佳。此外,咱们表明,所提出的办法在单通道语音去混响方面取得了明显的最先进的功能。咱们的代码和音频实例可在线获取,地址为 uhh.de/inf-sp-sgms…
⚡ 论文:Unifying Visual Perception by Dispersible Points Learning
论文时刻:18 Aug 2022
范畴使命:Instance Segmentation, object-detection, 实例切割,方针检测
论文地址:arxiv.org/abs/2208.08…
代码完成:github.com/sense-x/uni…
论文作者:Jianming Liang, Guanglu Song, Biao Leng, Yu Liu
论文简介:The method, called UniHead, views different visual perception tasks as the dispersible points learning via the transformer encoder architecture./该办法被称为UniHead,它将不同的视觉感知使命视为经过transformer编码器架构进行的可涣散点学习。
论文摘要:咱们提出了一个概念上简略、灵敏和通用的视觉感知头,用于不同的视觉使命,如分类、物体检测、实例切割和姿势估量,以及不同的结构,如单阶段或双阶段管道。咱们的办法能够有效地识别图画中的物体,同时生成高质量的方针检测框或根据轮廓的切割掩码或要害点集。该办法被称为UniHead,它将不同的视觉感知使命视为经过transformer编码器架构进行的可涣散点学习。给定一个固定的空间坐标,UniHead自适应地将其涣散到不同的空间点,并经过transformer编码器推理它们之间的联系。它直接以多个点的方式输出最终的猜想集,使咱们能够在不同的结构顶用相同的头规划来执行不同的视觉使命。咱们展示了对ImageNet分类和COCO系列挑战的一切三个轨迹的广泛点评,包含物体检测、实例切割和姿势估量。没有任何花哨的东西,UniHead能够经过单一的视觉头规划来一致这些视觉使命,并且与为每个使命开发的专家模型比较取得了适当的功能。咱们期望咱们简略而通用的UniHead能够作为一个坚实的基线,协助促进通用的视觉感知研讨。代码和模型可在github.com/Sense-X/Uni…
⚡ 论文:RFLA: Gaussian Receptive Field based Label Assignment for Tiny Object Detection
论文时刻:18 Aug 2022
范畴使命:object-detection, Object Detection,方针检测
论文地址:arxiv.org/abs/2208.08…
代码完成:github.com/chasel-tsui…
论文作者:Chang Xu, Jinwang Wang, Wen Yang, Huai Yu, Lei Yu, Gui-Song Xia
论文简介:Then, instead of assigning samples with IoU or center sampling strategy, a new Receptive Field Distance (RFD) is proposed to directly measure the similarity between the Gaussian receptive field and ground truth./然后,咱们提出了一种新的感触场距离(RFD),以直接测量高斯感触场和地上实在之间的相似性,而不是用IoU或中心采样战略来分配样本。
论文摘要:检测细小物体是阻碍物体检测发展的首要障碍之一。一般物体检测器的功能在细小物体检测使命中往往会急剧恶化。在本文中,咱们指出,无论是根据锚的检测器中的盒式先验仍是无锚检测器中的点式先验,关于细小物体来说都是次优的。咱们的首要调查成果是,现在根据锚点或无锚点的标签分配范式会产生许多离群的细小尺寸的地上实在样本,导致检测器对细小物体的关注度下降。为此,咱们提出了一种根据高斯感触场的标签分配(RFLA)战略,用于细小物体检测。具体来说,RFLA首要利用了特征感触野遵从高斯分布的先验信息。然后,不运用IoU或中心采样战略来分配样本,而是提出一个新的感触野距离(RFD)来直接测量高斯感触野和地上真相之间的相似度。考虑到根据IoU阈值和中心采样战略对大型物体的倾斜,咱们进一步规划了根据RFD的层次化标签分配(HLA)模块,以完成对细小物体的平衡学习。在四个数据集上进行的大量试验证明了所提出的办法的有效性。特别是,咱们的办法在AI-TOD数据集上以4.0个AP点逾越了最先进的竞赛对手。代码可在github.com/Chasel-Tsui…
⚡ 论文:Analog Bits: Generating Discrete Data using Diffusion Models with Self-Conditioning
论文时刻:8 Aug 2022
范畴使命:Image Captioning, Image Generation,图画字幕,看图说话,图画生成
论文地址:arxiv.org/abs/2208.04…
代码完成:github.com/lucidrains/…
论文作者:Ting Chen, Ruixiang Zhang, Geoffrey Hinton
论文简介:The main idea behind our approach is to first represent the discrete data as binary bits, and then train a continuous diffusion model to model these bits as real numbers which we call analog bits./咱们的办法的首要思维是首要将离散数据表明为二进制比特,然后练习一个接连涣散模型,将这些比特模仿为实数,咱们称之为模仿比特。
论文摘要:咱们提出了比特涣散:一种简略而通用的办法,用接连涣散模型生成离散数据。咱们的办法的首要思维是首要将离散数据表明为二进制比特,然后练习一个接连涣散模型,将这些比特建模为实数,咱们称之为模仿比特。为了生成样本,该模型首要生成模仿比特,然后对其进行阈值处理,得到代表离散变量的比特。咱们进一步提出了两个简略的技能,即自我调节和不对称时刻距离,这导致了样本质量的明显改善。尽管它很简略,但所提出的办法在离散图画生成和图画字幕使命中都能取得强大的功能。关于离散图画生成,咱们在CIFAR-10(有3K个离散的8位符号)和ImageNet-64×64(有12K个离散的8位符号)上都大大改进了曾经的先进技能,在样本质量(用FID衡量)和功率上都超过了最佳自回归模型。关于MS-COCO数据集上的图画标题,与自回归模型比较,咱们的办法取得了有竞赛力的成果。
咱们是 ShowMeAI,致力于传播AI优质内容,共享职业解决方案,用常识加快每一次技能成长!
◉ 点击 日报合辑,在大众号内订阅话题 #ShowMeAI资讯日报,可接纳每日最新推送。
◉ 点击 电子月刊,快速浏览月度合辑。