知識星球
在碎片化閱讀充斥眼球的時代，越來越少的人會去關註每篇論文背後的探索和思考。
在這個欄目裡，你會快速 get 每篇精選論文的亮點和痛點，時刻緊跟 AI 前沿成果。
點選本文底部的「閱讀原文」即刻加入社群，檢視更多最新論文推薦。
#Swift for TensorFlow
Swift for TensorFlow 為 TensorFlow 提供了一種新的程式設計模型，將 TensorFlow 計算圖與 Eager Execution 的靈活性和表達能力結合在了一起，同時還註重提高整個軟體架構每一層的可用性。
本專案的設計基礎是 Graph Program Extraction 演演算法，它可以讓你用 Eager Execution 式的程式設計模型來輕鬆地實現程式碼，同時還保留 TensorFlow 計算圖的高效能優勢。此外，本項目還將高階的自動微分功能直接整合在了 Swift 語言和編譯器裡面。
#視覺化降維Python工具包
HyperTools 是一個具有視覺化功能的降維工具包，其基本流程是輸入高維資料，呼叫降維函式，同時進行繪圖。
▲ 效果展示
GluonNLP
#NLP深度學習工具包
GluonNLP 提供了 NLP 方向的頂尖深度學習模型實現，並且構建了文字資料管道和模型的模組。它專門面向工程師、研究人員和學者設計，大家可以基於這些模型快速實現研究思路，做出產品原型。
該專案具有如下特徵：
1. 訓練指令碼來重現論文中的 state-of-the-art 結果；
2. 針對常見 NLP 任務的預訓練模型；
3. 精心設計的 API，可以極大減少實現的複雜性；
4. 中文社群支援。
▲ 案例展示
#CV深度學習工具包
GluonCV 提供了 CV 方向的頂尖深度學習模型實現。該專案能幫助工程師、研究人員和學者快速打造產品原型、驗證新思路以及學習計算機視覺。
該工具包提供如下功能：
1. 近年重要論文的復現；
2. 詳細檔案提供使用說明和程式碼講解；
3. 提供預訓練的模型可以直接使用；
4. 效能評測，方便大家在不同模型之間做取捨；
5. 每個模型實現和介面儘量保證一致性，降低使用新模型的學習門檻；
6. 定時做重新訓練保證程式碼正確性；
7. 中文社群支援。
▲ 案例展示
#PyTorch版Keras API: model.summary()
Keras 框架有一個用於模型視覺化的簡潔 API —— model.summary()，本專案實現了用於 PyTorch 框架中的 model.summary() 功能，用於輸出模型各層的詳細引數。
▲ 效果展示
#基於PyTorch的Neural版本CRF++
本專案是基於 PyTorch 的神經網路序列標註開源庫，包含了幾種最先進的神經網路序列標註模型（LSTMCRF, CNNCRF 等），算是神經網路版的 CRF++。它可以讓使用者快速重現論文中的模型（如 Ma et. al ACL 2016; Lample et. al NAACL2016）。
該專案具有以下幾個特點：
1. 無需寫程式碼：只要透過修改配置檔案就可以對模型的結構進行配置，無需任何程式碼工作；
2. 自由新增特徵：該專案不僅集成了幾種經典的特徵結構（如 char-lstm, char-gru, char-cnn）還可以新增自定義的特徵並初始化特徵向量；
3. 高效準確：利用該開源庫可以輕鬆重現之前的多篇論文的結果，大部分情況下會得到比論文更高的精度。同時該專案時完全基於 batch 計算實現的，因此計算速度很快（2000 句／秒）；
4. Nbest 輸出：其 CRF 結構支援輸出 top-n 個最優 label 序列，並給出對應的序列機率。
▲ 結構設計
#IBM開源對抗機器學習庫
Adversarial Robustness Toolbox 是由 IBM 團隊開源的對抗機器學習庫，其主要用於檢測模型及對抗攻擊，為開發人員加強 AI 模型被誤導的防禦性，讓 AI 系統變得更加安全。
本專案實現了以下分類器攻防方法：
攻擊：
-
Deep Fool (Moosavi-Dezfooli et al., 2015)
-
Fast Gradient Method (Goodfellow et al., 2014)
-
Jacobian Saliency Map (Papernot et al., 2016)
-
Universal Perturbation (Moosavi-Dezfooli et al., 2016)
-
Virtual Adversarial Method (Moosavi-Dezfooli et al., 2015)
-
C&W; Attack (Carlini and Wagner, 2016)
-
NewtonFool (Jang et al., 2017)
防禦：
-
Feature squeezing (Xu et al., 2017)
-
Spatial smoothing (Xu et al., 2017)
-
Label smoothing (Warde-Farley and Goodfellow, 2016)
-
Adversarial training (Szegedy et al., 2013)
-
Virtual adversarial training (Miyato et al., 2017)
#可以進行訓練的聊天機器人
本專案是一個可以自己進行訓練的聊天機器人，可以根據自己的語料訓練出想要的對話機器人。本次訓練的語料是從網際網路上找到的 shooter 訓練語料，語料質量很差勁，僅作為演示程式碼來用，大家可以使用自己的語料。
#基於Spark平臺的TensorFlow實現
SparkFlow 是一個基於 Spark 平臺的 TensorFlow 實現，讓使用者更方便在 Spark 上部署 TensorFlow 程式，更好地利用分散式平臺進行深度學習模型的訓練。
▲ MNIST深度學習示例
#模擬任何Twitter使用者發推文
Tweet Generator 是一個模擬 Twitter 使用者風格生成推文的工具。本專案基於 textgenrnn，並使用背景關係標簽對網路進行訓練以獲得更好的推文合成。
textgenrnn 是一個基於 Keras 和 TensorFlow 的 Python 3 模組，只需幾行程式碼即可訓練文字生成網路。
▲ 效果展示
#深度學習工程模板
本專案是由美圖雲事業部開源的深度學習工程模板，簡化載入資料、構建網路、訓練模型和預測樣本的流程。
▲ 框架圖
▲ 檔案夾結構
#用於動作識別的大規模影片資料集
STAIR Actions 是一個用於動作識別的大規模影片資料集，包含 100 類諸如吃飯、喝水、洗手、扔垃圾等人類日常行為，每一類動作有 1000 個左右的影片。作者保留了 10% 的資料用於後續比賽。
▲ 資料集規模
▲ 100種行為串列
#基於TensorFlow的光學樂譜識別工具
本專案是一個基於 TensorFlow 的光學樂譜識別工具，它透過讀取包含樂譜的 PNG 影象來輸出 MusicXML 格式樂譜或 NoteSequence 訊息。
點選以下標題檢視往期推薦：
#答 題 時 間#
▼
那！就！是！
好書送給社會人~
以下是簡單粗暴送福利環節
PaperWeekly × 圖靈教育
深入理解TensorFlow
架構設計與實現原理
<5本>
圖靈原創√大牛推薦√火熱預售√
作者：彭靖田，林健 ，白小龍
自 TensorFlow 開源以來，不斷有人撰寫圖書或部落格解釋其各元件的實現與原理。但遺憾的是，能夠深入剖析 TensorFlow 內部實現細節與設計思想的資料少之又少，而本書則嘗試彌補這一缺憾。
-
TensorFlow 進階不二之選
-
才雲科技技術總監
-
華為深度學習團隊系統工程師
-
華為公司深度學習雲服務技術負責人
聯合編寫
-
中國科學院計算技術研究所副研究員查禮
-
浙江大學計算機學院院長陳剛
-
才雲科技創始人兼 CEO 張鑫
-
Google Brain 資深工程師周玥楓
-
雲賬戶聯合創始人兼 CTO 鄒永強
-
博拉科技創始人兼 CEO 周公爽
-
微軟亞洲研究院助理研究員王錦鵬
-
才雲科技首席大資料科學家鄭澤宇
聯合推薦
-
深入解析 TensorFlow 系統本身的設計與實現原理
本書以 TensorFlow 1.2 為基礎，從基本概念、內部實現和最佳實踐等方面深入剖析 TensorFlow。不僅由淺入深地全面介紹 TensorFlow 的使用方法，還結合原始碼進行深入剖析，使讀者可以快速、系統地學習 TensorFlow 的架構設計與實現原理。
參與方式
請在文末留言分享
本期你最喜歡的Github專案
小編將隨機抽取5位同學
送出圖靈教育新書
截止時間：5月1日（週二）20:00
關於PaperWeekly
PaperWeekly 是一個推薦、解讀、討論、報道人工智慧前沿論文成果的學術平臺。如果你研究或從事 AI 領域，歡迎在公眾號後臺點選「交流群」，小助手將把你帶入 PaperWeekly 的交流群裡。
▽ 點選 | 閱讀原文 | 預購《深入理解TensorFlow》