深度学习

　　机器之心转载 　　 作者：王方浩 　　 如何构建一辆无人驾驶车呢？先从无人驾驶车的硬件开始介绍。 　　 　　 简介 　　无人驾驶车由车、线控系统、传感器、计算单元等组成，如图 2.1 所示。车作为无人驾驶的载体，是无人驾驶车最基础的组成部分。 　　除了车本身之外，还需要车上安装有线控系统。有别于传统汽车通过机械传动的方式控制汽车，线控系统通过电信号来控制汽车，这种方式显然更适合电脑控制。 　　无人驾驶车还配备了数目众多的传感器，包括激光雷达、摄像机、毫米波雷达、超声波雷达、GPS、IMU 等。传感器是无人驾驶车的眼睛，负责感受外部环境。计算单元则是无人驾驶车的大脑，传感器获取的信息经过计算单元的计算之后，输出一条可以供汽车安全行驶的轨迹，控制汽车行驶。 　　 　　图 2.1 无人驾驶车硬件组成 　　 硬件首先需要考虑的就是安全 。汽车关系到人的生命安全，因此需要有严格的安全规范。无人驾驶车同样要求如此，需要尽可能地保障乘客的安全，不仅要使用满足车规要求的硬件，还要使汽车能够覆盖足够的视野范围。 　　 其次需要考虑的是成本 ，目前无人驾驶车的成本居高不下，主要原因是传感器的成本太高，甚至比一辆车的成本还高，这是阻碍无人驾驶车普及的重要原因之一。 　　下面我们分别从车和线控系统、传感器、计算单元、辅助单元等方面介绍无人驾驶车的硬件组成。 　　 2.2 车和线控系统 　　2.2.1

来源：艺术设计与人工智能 本文 约3100字 ，建议 阅读6分钟 本文为你介绍数据分析师需要哪些能力并找到了几个重要问题的答案。 译者 Arthur 的翻译作品。 英语原文《 Know What Employers are expecting for a Data Scientist Role in-2020 》。 最近，我积极地开始找一份数据科学的工作，我没有任何AI/机器学习的硕士或博士的正规教育背景。我开始学习它完全是出于自己的兴趣(不仅仅是因为炒作)。特别当你同时在做一些其他的技术工作时，这是一个很有挑战性的选择。我通过报名参加了许多mooc(大规模在线开放课程)，开始了我的旅程，并开始阅读多个博客。最初，它没有什么意义，最终在阅读了别人的代码并接触了实时数据集之后。它慢慢开始变得有意义。 当我开始找工作时，又发生了一个有趣的故事。我在印度打开了一个顶级招聘门户寻找工作，我发现很少有工作与我寻找的相关，但当我打开其中一个，令我惊讶的是，他们提到的要求对我来说是新的。除了传统的数据分析、机器学习和深度学习之外，一些ETL工具和多种大数据技术作为需要的技能被提到。我认为这是可以的，因为现在每个公司都有自己对数据科学家的定义，并且开放了新的工作。这一次，它显示需要一些其他技术，如AWS、Azure和Power BI。 记住，所有这些空缺岗位都只标记在Data scientist下

　　 　　本文介绍的是 ACL 2020 论文《 A Reinforced Generation of Adversarial Examples for Neural Machine Translation》，论文作者来自南京大学、腾讯。 　　作者 | 邹 威 　　编辑 | 丛 末 　　 　　论文地址：https://arxiv.org/pdf/1911.03677.pdf 　　 1 　　 背景介绍 　　对抗样本（adversarial example）是近年来用于探索深度学习系统鲁棒性的重要工具。对抗样本通过对普通测试输入进行微小扰动（以不改变人期望输出为准），并以劣化系统输出为目标得到。 　　当前神经机器翻译（neural machine translation, NMT）系统在实用场合常常会出现用户难以预计的错误，这些错误甚至存在消极的社会影响。而基于用户反馈进行的维护通常也是在这些错误产生后才能进行，开发者更希望在上线前就能进行大量的测试进行预防性维护。直接的鲁棒性测试通常需要专家编制大量对应的测试数据并进行标注，但对于机器翻译这类任务而言成本过高。因此我们可以通过利用已有平行句对的输入产生对抗样本的方式，沿用原本的输出，从而快速得到大量可用于鲁棒分析的平行数据。 　　 　　图1: 对人名的变动影响了翻译的预期结果（此样例当前已被修复） 　　 2 　　 文本对抗样本及难点

　　机器之心分析师网络 　　 作者：仵冀颖 　　 编辑：Joni 　　 Bengio 认为，未来的深度神经网络应当能够实现 System2（逻辑分析系统），实现的是有意识的、有逻辑的、有规划的、可推理以及可以语言表达的系统。本文所讨论的 Logical Reasoning（逻辑推理）拟实现的就是 System2 中重点关注的有逻辑的（Logical）和可推理的（Reasoning）特点。 　　近年来，深度神经网络的应用获得了巨大的成功，也推动了人工智能的飞速发展。然而，深度神经网络仍存在一些局限性。一般来说，深度神经网络如何进行学习、使用何种算法实现的智能、基于哪些理论分析得出的相关结论并不会在网络架构中有任何的显式或符号表示。也就是说，深度神经网络学习的算法隐式地存储在成千上万甚至是数百万的权重中，这些通常是人类智能体无法破译或验证的。 　　Bengio 在 AAAI 2020 的演讲报告中提出， 人的认知系统包含两个子系统 ：System1（直觉系统），实现的是快速、无意识、非语言的认知，这也是现有的深度神经网络所实现的。他认为，未来的深度神经网络应当能够实现 System2（逻辑分析系统），实现的是有意识的、有逻辑的、有规划的、可推理以及可以语言表达的系统。我们这篇文章中所讨论的 Logical Reasoning（逻辑推理）拟实现的就是 System2 中重点关注的有逻辑的

编者按： 信号在我们的日常生活中随处可见，例如： 声音、图像、视频等。 然而在信号的传输或存储过程中，往往会面临 信号失真、质量变差等问题。 今天这篇文章就来探讨一下信号处理中的信息丢失问题，其中包括 微软亚洲研究院机器学习组与北京大学在 ECCV 2020 上发表的 Oral 论文《可逆图像缩放》（Inv ertible Image Rescaling ） 等工作。 来源 | 微软研究院AI头条 大家是否有过这样的经历：自己拍摄的高清照片/视频，想通过社交账号分享给朋友，然而对方接收到的却是一张低分辨率的模糊照片，甚至有些图片或表情包在经过多次传播之后，糊到惨不忍睹。 这种情况是由于程序为了减轻服务器端的传输和存储压力，主动对信号进行了采样、压缩等操作，而这些操作会不可避免地引起信息丢失（information loss ） 的问题，造成对原始信号还原的挑战性。直到今天，信息丢失问题仍没有被很好地解决。这篇文章将探讨信号处理中的信息丢失问题，其中包括的微软亚洲研究院机器学习组与北京大学在 ECCV 2020 上发表的 Oral 论文《可逆图像缩放》（Invertible Image Rescaling）工作则以图像信号为例，探讨了图像的压缩或缩放后的还原问题。 图像压缩算法是将原始图像压缩为比特流，图像缩放算法则是将高清图像降采样为低分辨率图像，在实际应用中，二者常结合使用。

Bengio 认为，未来的深度神经网络应当能够实现 System2（逻辑分析系统），实现的是有意识的、有逻辑的、有规划的、可推理以及可以语言表达的系统。本文所讨论的 Logical Reasoning（逻辑推理）拟实现的就是 System2 中重点关注的有逻辑的（Logical）和可推理的（Reasoning）特点。 机器之心分析师网络，作者：仵冀颖，编辑：Joni。 近年来，深度神经网络的应用获得了巨大的成功，也推动了人工智能的飞速发展。然而，深度神经网络仍存在一些局限性。一般来说，深度神经网络如何进行学习、使用何种算法实现的智能、基于哪些理论分析得出的相关结论并不会在网络架构中有任何的显式或符号表示。也就是说，深度神经网络学习的算法隐式地存储在成千上万甚至是数百万的权重中，这些通常是人类智能体无法破译或验证的。 Bengio 在 AAAI 2020 的演讲报告中提出， 人的认知系统包含两个子系统 ：System1（直觉系统），实现的是快速、无意识、非语言的认知，这也是现有的深度神经网络所实现的。他认为，未来的深度神经网络应当能够实现 System2（逻辑分析系统），实现的是有意识的、有逻辑的、有规划的、可推理以及可以语言表达的系统。我们这篇文章中所讨论的 Logical Reasoning（逻辑推理）拟实现的就是 System2 中重点关注的有逻辑的（Logical）和可推理的

论文传送门 作者 华盛顿大学 Kanit Wongsuphasawat 谷歌研究院 Daniel Smilkov James Wexler Jimbo Wilson Dandelion Mane Doug Fritz Dilip Krishnan Fernanda B. Viegas Martin Wattenberg 摘要 我们介绍了TensorFlow Graph Visualizer，它是 TensorFlow 机器智能平台的一部分。该工具通过可视化其基础的数据流图来帮助用户了解复杂的机器学习架构。该工具通过应用一系列图转换，使得标准布局技术能够生成清晰的交互式图表。至于整理图，我们将非关键节点与布局分离。为了提供概述，我们使用源代码中注释的层级结构。为了支持按需探索嵌套结构，我们执行边绑定以实现稳定且响应迅速的集群扩展。最后，我们检测并突出显示重复的结构，以强调模型的模块化组成。为了演示可视化工具的实用性，我们描述了示例使用场景并报告了用户反馈。总体而言，用户发现可视化工具对于理解、调试和共享其模型的结构很有用。 Design of the TensorFlow Graph Visualizer 力导引布局 日志节点会干扰不同子图的独立性 图布局缺乏层次结构 TensorFlow Graph Visualizer 去除日志节点 多个元操作组合成子算法或子步骤

上两个月参加了个比赛，做的是对遥感高清图像做语义分割，美其名曰“天空之眼”。这两周数据挖掘课期末project我们组选的课题也是遥感图像的语义分割，所以刚好又把前段时间做的成果重新整理和加强了一下，故写了这篇文章，记录一下用深度学习做遥感图像语义分割的完整流程以及一些好的思路和技巧。 数据集 首先介绍一下数据，我们这次采用的数据集是CCF大数据比赛提供的数据（2015年中国南方某城市的高清遥感图像），这是一个小数据集，里面包含了5张带标注的大尺寸RGB遥感图像（尺寸范围从3000×3000到6000×6000），里面一共标注了4类物体，植被（标记1）、建筑（标记2）、水体（标记3）、道路（标记4）以及其他(标记0)。其中，耕地、林地、草地均归为植被类，为了更好地观察标注情况，我们将其中三幅训练图片可视化如下：蓝色-水体，黄色-房屋，绿色-植被，棕色-马路。更多数据介绍可以参看 这里 。 现在说一说我们的数据处理的步骤。我们现在拥有的是5张大尺寸的遥感图像，我们不能直接把这些图像送入网络进行训练，因为内存承受不了而且他们的尺寸也各不相同。因此，我们首先将他们做随机切割，即随机生成x,y坐标，然后抠出该坐标下256*256的小图，并做以下数据增强操作： 原图和label图都需要旋转：90度，180度，270度 原图和label图都需要做沿y轴的镜像操作 原图做模糊操作

9月15日，北京。如影智能品牌暨新品发布会今日在京举办，唐沐携团队一次奉上18款智能家居产品，讲述过去一年的创业心得，为智能家居行业带来生机的全屋智能体验。 如影智能创始人兼CEO 唐沐 19年的从业经验，近千款软硬件设计，让唐沐成为更理解用户体验的人。2019年9月，唐沐离开了供职7年的小米，以创业者的身份投身智能家居行业，组件团队，打造新公司、新品牌。如影智能由唐沐创办，专注Al+loT领域，研发前沿的、高调性的全屋智能产品及服务，应用于智慧家庭空间系统。 如影的品牌，来源于成语“如影随行”，意味着不打扰的陪伴。英文名Know，则为品牌主张的缩写，即知性（Knowledge）、自然(Natural)、开放(Open)和智慧(Wise)。如影的全线产品，设计理念都秉持了这四重主张。 在此次发布会上，唐沐详细阐释了自己创业的初衷、如影智能产品的思考，以及对于未来的布局和规划。 信赖极致用户体验，服务也是产品体验中重要一环 多年的用户体验设计和大厂产品经验，让唐沐认识到，在智能家居领域，一切都是围绕用户体验展开的。好的智能，不会让用户费心选择、费心学习、费心安装，相信用户对居住空间有着真实的智能需求，相信全屋智能会带给用户更美好的生活体验。 所以，如影智能把“信仰极致用户体验”做为价值观，首次打通了智能硬件与家居设计之间的沟堑，通过“科技美学产品+省心装维服务”的集成产品

来源：清华大学人工智能研究院 作者：张钹、朱军、苏航 在这篇评述文章中，清华大学人工智能研究院院长、中国科学院院士张钹教授阐述了自己对于「第三代人工智能」的看法。他认为，第三代 AI 发展的思路是把第一代的知识驱动和第二代的数据驱动结合起来，通过利用知识、数据、算法和算力等 4 个要素，构造更强大的 AI，目前存在双空间模型与单一空间模型两个方案。本文对这篇评述进行了全文刊载。 全文链接：http://scis.scichina.com/cn/2020/SSI-2020-0204.pdf 人工智能（ArtificialIntelligence，简称 AI）在 60 多年的发展历史中，一直存在两个相互竞争的范式，即符号主义与连接主义（或称亚符号主义）。符号主义（即第一代人工智能）到上个世纪八十年代之前一直主导着 AI 的发展，而连接主义（即第二代人工智能）从上个世纪九十年代逐步发展，到本世纪初进入高潮，大有替代符号主义之势。但是今天看来，这两种范式只是从不同的侧面模拟人类的心智 （或大脑），具有各自的片面性，不可能触及人类真正的智能。 清华大学人工智能研究院院长、中国科学院院士张钹教授在「纪念《中国科学》创刊 70 周年专刊」上发表署名文章，首次全面阐述第三代人工智能的理念，提出第三代人工智能的发展路径是融合第一代的知识驱动和第二代的数据驱动的人工智能， 同时利用知识、数据