深度学习

点击上方“ Python编程与实战 ”，选择“置顶公众号” 第一时间获取 Python 技术干货！ 阅读文本大概需要 11分钟。 今天给大家介绍一个世界上最简洁的人脸识别库 face_recognition，你可以使用 Python 和命令行工具进行提取、识别、操作人脸。 基于业内领先的 C++ 开源库 dlib 中的深度学习模型，用 Labeled Faces in the Wild 人脸数据集进行测试，有高达99.38%的准确率。 1.安装 最好是使用 Linux 或 Mac 环境来安装，Windows 下安装会有很多问题。在安装 face_recognition 之前你需要先安装以下几个库，注意顺序! 1.1 先安装 cmake 和 boost pip install cmake pip install boost 1.2 安装 dlib pip install dlib 此处安装可能要几分钟。如安装出错，建议使用 whl 文件来安装 下载地址：https://pypi.org/simple/dlib/ 1.3 安装 face_recognition face_recongnition 一般要配合 opencv 一起使用 pip install face_recognition pip install opencv-python 2. 人脸识别 比如这里总共有三张图片

作者 | 高卫华 出品 | AI科技大本营 随着深度学习的发展，GAN模型在图像风格转换的应用越来越多，其中不少都实现了很好的效果。 此前，reddit上的一个技术博主AtreveteTeTe基于GAN模型混合将普通的人像照片卡通化，并通过First Order Motion模型生成了动画，引起诸多网友的热捧。像这类卡通风格的画像生成，通常对单元素的质量要求不高，对于模型的训练，会忽略一些细节上的不足。 不过，最近一个开发者在GitHub上放出了一个可用于创建线条艺术肖像的项目，基于深度学习开发了ArtLine，其创建的线条肖像画在细节上的呈现效果惊人。 项目链接： https://github.com/vijishmadhavan/ArtLine ArtLine最简单的入门方法： https://colab.research.google.com/github/vijishmadhavan/Light-Up/blob/master/ArtLine(Try_it_on_Colab).ipynb 艺术肖像线条画方面，去年清华大学曾提出一个层次化的GAN模型 APDrawingGAN ，可以有效地基于人脸照片生成高质量、富有表现力的线条画。 但APDrawingGAN在识别面部特征方面存在局限性，例如在识别与ID照片类似的正面照片时

本文代码基于 python3.6 和 pygame1.9.4。 五子棋比起我之前写的几款游戏来说，难度提高了不少。如果是人与人对战，那么，电脑只需要判断是否赢了就可以。如果是人机对战，那你还得让电脑知道怎么下。 我们先从简单的问题来看。 开端 画棋盘 首先肯定是要画出棋盘来，用 pygame 画出一个 19 × 19 或 15 × 15 的棋盘并不是什么难事，这在之前的文章中已经多次用到，就不赘述了。 画棋子 需要说一下的是画棋子，因为没找到什么合适的棋子图片，所以只要自己来画棋子。 我们用 pygame.draw.circle 画出来的圆形是这样的： 锯齿状十分明显， pygame.draw 中有画抗锯齿直线的函数 aaline ，但是并没有 aacircle 这样的函数来画一个抗锯齿的圆。 这里就需要用到 pygame.gfxdraw 啦。 pygame.gfxdraw 目前还仅是实验版本，这意味着这个 API 可能会在以后的 pygame 版本中发生变化或消失。 要绘制抗锯齿和填充形状，请首先使用函数的aa *版本，然后使用填充版本。例如： col = (255, 0, 0) surf.fill((255, 255, 255)) pygame.gfxdraw.aacircle(surf, x, y, 30, col) pygame.gfxdraw.filled_circle

 经典的机器学习框架主要支持包括Images和Text/Speech 这两种数据，主要设计用来解决sequence、grids问题， 而Graph 结构相对较为复杂：  无法产生特定顺序的节点序列，因而很难转换为普通序列问题； 图结构频繁变化，且通常需要建模多模态特征； Basics of deep learning for graphs 假定存在图G，其中V表示节点集合，A是邻接矩阵，X∈Rm∗|V|是节点的特征矩阵（a matrix of node features）。这里的节点特征，根据不同的网络有不同的定义——如在社交网络里面，节点特征就包括用户资料、用户年龄等；在生物网络里面，节点的特征就包括基因表达、基因序列等；如果节点没有特征，就可以用one-hot编码表示或者常数向量 1: [ 1 , 1 , … , 1 ] [1, 1, …, 1][1,1,…,1]来表示节点的特征。 Local Network neighborhoods 节点的邻居定义计算图， 能够有效地建模信息的传播；  如上图，根据节点邻居得到计算图， 然后根据计算图生成节点的向量表示，如下图，A的节点表示由其邻居节点{B,C,D}，而这些节点又由其邻居节点决定，形成如下图的计算图，其中方形框即为其聚合邻居节点的策略，可采用average操作：  由此，可将图中任意节点，根据其邻居节点

相比于电子计算，光计算具有高速、高带宽、低功耗的优势，但目前光计算还不够成熟，只在某些特定领域得到了非常有限的应用。近日，Nature 上一篇 Perspective 文章剖析了深度光学和深度光子学的人工智能推理应用，展示了该领域（尤其是光 - 电混合系统）的发展潜力。 选自Nature，作者：Gordon Wetzstein等，机器之心编译，参与：Panda、杜伟。 为了高速且低功耗地执行各种应用中的人工智能任务，我们需要加速器。光计算系统也许能够满足这些领域特定的需求，但即便已经历半个世纪的研究，通用型光计算系统仍还未发展成一项成熟的实用技术。但是，人工智能推理（尤其是用于视觉计算应用的推理）也许能为基于光学和光子学系统的推理提供机会。 本文将回顾用于人工智能的光学计算的近期研究成果并探讨其潜力和挑战。 计算系统的能力正与它们试图理解的飞速增长的视觉数据进行军备竞赛。在自动驾驶、机器人视觉、智能家居、遥感、显微技术、监控、国防和物联网等多种应用中，计算成像系统都会记录和处理前所未有的巨量数据。对这些数据的解读不可能由人类完成，而是要使用基于人工智能（AI）构建的算法。 在这些应用之中，深度神经网络（DNN）正快速发展成为视觉数据处理的标准算法方法。这主要是因为 DNN 在许多基准上都取得了当前最佳的结果，而且往往超出其它方法一大截

北京时间2018年5月9日凌晨， Google I/O 2018大会在美国加州山景城拉开帷幕。当天有近 7000人来到现场。 在今天的 Keynote 中，谷歌 CEO 桑德尔·皮查伊等人介绍了谷歌一年来的多方面 AI 研究成果，例如深度学习医疗、TPU3.0、Google Duplex 等，也展示了 AI 如何全方位地融入了谷歌每一条产品线，从安卓到 Google Lens 和 Waymo。在本文中，机器之心对 Keynote 的核心内容进行了整理。 让我们看一下有哪些精彩的展示： TPU 3.0 现在正式推出TPU 3.0，相比去年发布的2.0版本，性能提升8倍，高达100 petaflops，而且由于芯片太强大，Google第一次引入液体冷却方法——对于希望为机器学习创建定制硬件的公司来说，散热越来越成为一个难题。 Google Assistant Google Assistant将提供超过13万儿童故事，新加入了针对儿童的Pretty please功能，鼓励小孩对Google Assistant进行礼貌提问。 GoogleMap GoogleMap加入了全新的AR 导航系统，当你去一些路口较多的地方，可以开启相机进行实景导航。 Google News Google News也开始和AI结合，以精准判断用户感兴趣的新闻。 根据用户的阅读偏好，Google News 还可以在

介绍 上海眼控科技股份有限公司成立于 2009 年，是一家集计算机视觉识别与深度学习技术研发应用于一体的全球性人工智能科技企业。经过多年的极致追求与打磨，推出了一系列人工智能技术，包括：人脸识别、目标检测与识别、OCR、人体关键点检测& 姿态识别、场景语义理解、模型压缩与蒸馏、车辆与行人 ReID 和追踪等。眼控科技已成为中国领先的 AI 智慧交通、智慧气象领域解决方案提供商。 眼控科技汇聚了来自美国斯坦福大学、纽约大学、香港科技大学等国内外知名大学的顶尖 AI 人才 100 余名，先后在道路交通领域，联合公安部交通管理科学研究所、上海交大人工智能研究院建立全国首家 AI+ 道路安全监管创新中心。同时，联合华东空管局气象中心、上海交大人工智能研究院建立全国首家航空智慧气象创新中心。眼控科技在智慧道路交通、智慧航空气象垂直领域的市场占有率已位居行业领先地位，产品覆盖北京、上海、天津、河北、山东等 30 多个省市。 使命：用人工智能提供更安全更高效的交通安全解决方案 愿景：成为全球AI领域最具创新活力的企业 价值观：敬业、创新、协作、自信 眼控科技大事记： 2009年，眼控科技成立，深度探索人工智能技术； 2013年，与上海交大、公安部无锡所成立道路交通联合实验室； 2015年，探索航空气象领域AI技术研究； 2017年，道路交通安全智能监管领域市场占有率第一； 2018年

我们有理由去相信： 2020年，AI 让不平静的世界看到了希望； 2021年，AI将为我们继续照亮前行的道路。 撰文 / Alter 编辑 / 胖爷 再过半个多月，充满挑战的 2020 年即将画上句号。 在这个注定被定格的年份里，捉摸不定的变数成了一种常态，以至于无数人在张望经济的下一个爆发点在哪里，属于自己的下一个风口何时才会到来。 或许不应沉迷于各种悲观论调，只需把历史的时间轴稍微拉长一些，刚刚过去的2020年可能不是什么坏年份。参考桥水基金总裁雷伊·达里奥的去杠杆理论，经济的发展离不开技术进步和信贷推动，其中后者对经济的影响有周期可循，技术进步对经济增长的作用则是持续的、恒久的。 2020年恰恰是人工智能技术走出迷雾的一年，几乎在每一个重要的时间节点上，都可以看到人工智能的影子。特别是站在智能经济的视野上，人工智能正在成为各行各业转型升级的催化剂，在一连串的实际落地中发生着微妙的化学反应，同时也在指引经济的下一个增长周期。 所以在岁末的盘点中，人工智能在整个2020年的历程便成了最有价值的篇章。而要回顾人工智能过去一年的点点滴滴，被外界称之为“AI头雁”的百度，自然是不应被忽视的研究对象。 01 临场应变，迎战黑天鹅 想起11个月前突如其来的黑天鹅事件，至今都让人心有余悸。 封城、隔离、封闭管理，我们未曾经历一场硝烟滚滚的战争，但大多数城市居民的生活都进入了“临战状态”

关注本人的同学可能发现，我最近点评的文章都是关于"GNN在推荐系统应用"方向的。这当然与现如今这个方向非常火有关，但是作为一个合格的炼丹师+调参侠，总要搞清楚一门技术为什么火？这么火的技术对于自己是否有用？根据我的理解，由“传统机器学习→深度学习→图计算或知识图谱”这一路下来的发展脉络如下： 一切技术的目标都是为了更好地“伺候”好“ 推荐系统的一等公民 — ID类特征 ”。用户购买过的商品、光顾过的店铺、搜索过的关键词、商品的分类与标签，都是这样的ID类特征 传统的机器学习只会“ 严格匹配 ”。用户喜欢喝可口可乐，算法不会给他推百事可乐，因为“可口可乐”与“百事可乐”是两个不同的概念，占据了两个不同的ID。这时的推荐算法只有“ 记忆 ”功能。 深度学习的特点是， 一切皆可embedding 。通过将“可口可乐”与“百事可乐”都扩展成embedding向量，发现这两个“概念”不是正交的，反而在向量空间里非常相近，从而推荐系统有机会给一个只喝过可口可乐的用户推荐百事可乐。这时的推荐算法不再只能记忆，而是有了举一反三的“ 扩展 ”功能。 而到了“图计算”或“知识图谱”的阶段，ID类特征换了个名字，变成图上的节点或者知识图谱中的entity。换名字是小事，关键是 这些ID不再是孤立的，而是彼此关联，从而带来了信息的传递 。之前，小明喝过“可口可乐”，只有“可口可乐

​日前，高德地图联合阿里云天池平台举办的AMAP-TECH算法大赛落幕。本次大赛以“基于车载视频图像的动态路况分析”为赛题，来自15个国家和地区的880支战队经过数轮激烈角逐后，1996年出生的北京邮电大学博士三年级学生朱奕达带领的战队夺得冠军。 （高德地图技术委员会主席李小龙给冠军队伍颁奖，从左到右的三位同学分别是北京邮电大学研究生一年级学生谢志庆、广州大学方滨兴班研究生二年级学生黄文锋、北京邮电大学博士三年级学生朱奕达） 本次竞赛的赛题来源于高德真实的业务场景。路况信息不仅影响用户选择出行的路线、出行的方式，预估到达的时间，对于交通管理部门和城市规划部门也有重要的价值。 此次高德地图号召全球的开发者利用人工智能技术探索动态路况难题，收到了国内外顶尖学府、科研机构以及一线知名技术企业等产学研各界技术爱好者的积极响应。历经4个月的初赛、复赛，五强战队从来自于15个国家和地区，309所高校和256家+公司的参赛者组成的880支战队中脱颖而出进入到现场决赛答辩。 决赛评审上，北京大学教授、机器感知与智能教育部重点实验室主任查红彬，中科院自动化所研究员、模式识别国家重点实验室主任王亮，高德地图技术委员会主席李小龙，高德地图首席科学家任小枫，阿里巴巴达摩院自动驾驶实验室负责人王刚组成的专家评审团从创新性、实用性和扩展性以及现场表现三个维度对各队方案进行现场的综合评审。 评委们认为