强化学习

作者：西南交通大学研究生导师邸志雄博士。 四月初，谷歌大脑团队使用 AI 进行芯片布局的一篇相关研究论文《Chip Placement with Deep Reinforcement Learning》在 ArXiv 上公布。在 Azalia Mirhoseini 这篇 ArXiv 论文中，她和谷歌高级软件工程师 Anna Goldie 表示，对芯片设计进行了足够长时间的学习之后，团队开发的算法可在不到 24 小时的时间内为谷歌 TPU 完成设计，且在功耗、性能、面积都超过了人类专家数周的设计成果。她们认为，理想情况下，新设计出的芯片应该能够很好地满足当今 AI 算法的需求，“如果 AI 能够缩短芯片的设计周期，在硬件与 AI 算法之间建立共生关系，会进一步推动彼此的进步”。 这篇论文发表之后，业界为之震动。这是Azalia本人汇总了美国科技媒体的反馈。 在国内，包括机器之心、智东西、MIT科技评论等知名媒体在都迅速发表了此项成果的评论。前期笔者也对这篇论文的背景做了简单的汇总和整理，并发表在西电潘伟涛老师的微信公众号“网络交换FPGA”上，也被“半导体行业观察”等多个公众号转载。而本篇文章主要对《Chip Placement with Deep Reinforcement Learning》做一个简要的技术解读。 大背景：EDA发展史 1.1 EDA发展史的三个时代 2003年

视学算法报道 编辑：陈萍、魔王 转载自公众号：机器之心 SDK 还能自动玩游戏？ 这个 SDK 有点「酷」 。 近日，腾讯互娱（IEG）开源了一款名为 GAME AI SDK 的自动化测试平台，该平台封装好了多种工具供开发者使用，目前支持的游戏类型有跑酷类、吃鸡类、射击类、MOBA 类等。 项目地址：https://github.com/Tencent/GameAISDK 平台内置的「天天酷跑」示例。左图为未训练随机做动作，右图是训练好的效果。 SDK（软件开发工具包）一般是软件工程师为特定的软件包、软件框架、硬件平台、操作系统等创建应用软件时可使用的开发工具集合。 似乎有些抽象。在实际项目中，我们只需记住，SDK 是手游渠道提供的，集成了用户登录、社区功能、社交分享功能、数据后台统计功能的功能模块。接入 SDK 后，游戏厂商和渠道都要对 SDK 包进行测试，测试通过才能上线。 看了上文展示的酷跑动图效果，是不是想上手试试吃鸡类、射击类的游戏体验呢？这个开源项目可以满足你的需求，它支持使用者进行项目接入以及二次开发。 AI SDK 平台 AI SDK 平台是一个基于游戏图像来开发游戏 AI 的开源工具包。工具包主要完成了 UI 检测、游戏内元素识别、AI 算法（DQN、IM）等功能。开发者可以基于此工具包完成游戏自动化测试。 目前该平台已支持的游戏类型有跑酷类、吃鸡类、射击类

喜欢我们，点击上方 AINLPer ，关注一下，极品干货即刻送达！ 今天天气是真不错~可惜还是不能出去。所以今天 整理了2020年ICLR会议的论文，并给大家分享出了ICLR2020国际会议演讲的主题和主要内容。 引言 2020年的 ICLR会议 将于今年的 4月26日-4月30日 在Millennium Hall, Addis Ababa ETHIOPIA（埃塞俄比亚首都亚的斯亚贝巴 千禧大厅）举行。 2020年ICLR会议（Eighth International Conference on Learning Representations）论文接受结果刚刚出来， 今年的论文接受情况如下： poster-paper共523篇，Spotlight-paper（焦点论文）共107篇，演讲Talk共48篇，共计接受678篇文章，被拒论文（reject-paper）共计1907篇，接受率为： 26.48%。 回复： ICLR2020 获取会议全部列表PDF（方便您的收集整理） ，其中一共有四个文件（ 2020-ICLR-accept-poster.pdf 、 2020-ICLR-accept-spotlight.pdf 、 2020-ICLR-accept-talk.pdf 、 2020-ICLR-reject.pdf ），如果你不想下载，也可直接访问官网： https:/

原创：Elesdspline 转载自：AI自然语言处理与知识图谱 原文链接： 综述：关系抽取，挑战与机遇并存！ ​ mp.weixin.qq.com 关系抽取是信息抽取的基本任务之一，目的是识别文本中实体的目标关系，关系抽取对于知识库的构建以及文本的理解十分重要，特别有利于自然语言处理的一些任务，如问答，文本理解等，而且，关系抽取作为知识图谱构建的核心关键，是必不可少的步骤。 大家熟知的传统关系抽取(二元关于抽取，两个实体之间的关系)已经得到了广泛的研究，并且有很多的研究方法已经落地实践，近些年来，对于复杂场景的变化，传统的简单关系抽取已经无法满足实际场景中的复杂应用，慢慢衍生出需要复杂场景的关系抽取任务。 本文是一篇综述文章，总结了目前简单关系抽取的研究进展以及实践方法，对目前已出现的复杂关系抽取任务进行了总结，并介绍了每个任务的定义、最新进展、挑战和机遇。 一、简单关系抽取 简单的关系抽取目的是从文本中识别两个实体之间的关系，例如下图，根据文本，识别出北京和中国的关系为 the capital of，一般这样的关系抽取称之为二元关系抽取( Binary Relation Extraction，BiRE)。 简单关系抽取 目前的方法一般分为 基于监督学习的 BiRE(Supervised BiRE) 、 基于半监督学习的 BiRE(Semi-supervised BiRE) 以及

国际著名的咨询公司Gartner在2013年总结出了一套数据分析的框架，数据分析的四个层次：描述性分析、诊断性分析、预测性分析、处方性分析。 Gartner于2020年中给出预测，到2024年底，75%的企业机构将从AI试点转为AI运营。同期，Gartner发布了数据与分析领域的十大技术趋势，首先映入眼帘的是：更智能、更高速、更负责的AI，也指出了仪表板的衰落，更青睐上层次和实用化的决策智能。 1. 前言 我们在设计数据分析产品和数据可视化的时候，依据是什么？怎样设计数据分析产品才能给用户更多的业务支撑？我们做趋势预测、精准识别目的是什么？ 最近，我有些感悟分享与读者探讨、研究。 对于设计数据分析产品和数据可视化，我们首先想到的是需求，然后是业务机理。但是，在大数据、新一代人工智能高速发展的今天，对比Gartner给出数据分析咨询意见，我们不应拘泥于当前的业务场景，业务创新也可以通过新技术引领。 我们回到数据分析产品和数据可视化设计，除了需求和业务机理以外，我们不妨以金字塔思维模型来构建这样的场景。 一、目的 我们的目的是实现经济发展和利润，解决未来或当下的问题。比如新零售业务核心是围绕客户展开，解决客户发展和流速问题，是企业发展和利润的基石。 二、分析需求和识别待解决问题 分析需求是深入业务机理，重塑业务模型，以发展的眼光识别问题，解决问题。仍以新零售客户发展为例

Python是门很神奇的语言，历经时间和实践检验，受到开发者和数据科学家一致好评，目前已经是全世界发展最好的编程语言之一。简单易用，完整而庞大的第三方库生态圈，使得Python成为编程小白和高级工程师的首选。 在本文中，我们会分享不同于市面上的python数据科学库（如numpy、padnas、scikit-learn、matplotlib等），尽管这些库很棒，但是其他还有一些不为人知，但同样优秀的库需要我们去探索去学习。 1. Wget 从网络上获取数据被认为是数据科学家的必备基本技能，而Wget是一套非交互的基于命令行的文件下载库。ta支持HTTP、HTTPS和FTP协议，也支持使用IP代理。因为ta是非交互的，即使用户未登录，ta也可以在后台运行。所以下次如果你想从网络上下载一个页面，Wget可以帮到你哦。 安装 pip isntall wget 用例 import wget url = 'http://www.futurecrew.com/skaven/song_files/mp3/razorback.mp3' filename = wget.download(url) Run and output 100% [................................................] 3841532 / 3841532 filename

点击 我爱计算机视觉 标星，更快获取CVML新技术 本文转载自旷视研究院（megviir）。 ICCV 2019 论文如期发榜，旷视科技共有11篇论文被录取，涵盖通用物体检测及数据集、文字检测与识别、半监督学习、分割算法、视频分析、影像处理、行人及车辆再识别、模型压缩、度量学习、强化学习、元学习等众多领域。 本文把 11 篇论文汇在一起，逐篇做了亮点抢先解读。 1、论文名称： Objects365: A Large-scale, High-quality Dataset for Object Detection 论文链接：暂无 开源链接：https://www.objects365.org/overview.html 关键词：物体检测、数据集 在本文中，我们介绍了一个新的大型物体检测数据集Objects365，它有超过60万张图片，365个类别，超过1000万个高质量的边界框。 由精心设计的三步注释管道手动标记，它是迄今为止最大的物体检测数据集（带有完整注释），并为社区建立了更具挑战性的基准。 Objects365可以作为更好的特征学习数据集，用于目标检测和分割等定位敏感任务。Objects365预训练模型明显优于ImageNet预训练模型：在COCO上训练90K / 540K次迭代时AP提高了5.6（42 vs 36.4）/ 2.7（42 vs 39.3）。 同时

一、为什么要学单片机技术？ 传统的电子产品升级改造成智能化的电子产品需要用到单片机技术。也就是说传统的电子产品如电视机、电子表、计算器、数码相机、手机、MP3、遥控器、洗衣机等产品智能化、微型化，需要的核心技术就是单片机技术。所以从事电子行业的工作人员必须学好单片机技术，否则必然被社会淘汰。 二、什么是单片机？ 单片机就是把中央处理器（CPU）、随机存储器（RAM）、只读存储器（ROM）、定时器/计数器和各种输入/输出接口（I/O接口）等主要功能部件集成在一块集成电路板上的微型计算机。 这句话比较抽象，下面我们来解释： 1、计算机的组成 大家都知道，计算机的主机箱是由CPU、硬盘、内存、主板等等组成的。一块CPU大概要400块钱左右，硬盘也要500块钱左右，内存200块钱左右，主板500块钱左右，这些东西加在一起大概要1600块钱左右。如果配上显示器等等其他的设备，一台电脑要3000到4000块钱左右吧。 2、计算机和单片机的联系 如果把计算机的主机箱里的设备（CPU，硬盘，内存，主板等等）缩小缩小再缩小后集成在一块芯片中，这样的集成芯片被成为单片机。 如下图所视： 从图中可以看出，单片机的体积不大，一般用双列直插40脚封装，当然功能多一些的单片机的引脚可能会比较多的，如68引脚，功能少的单片机也可能只有10多个或20多个引脚，有的甚至只8只引脚。 3、单片机的内部结构 当然

作者｜Sebastian Ruder 来源｜机器之心编辑部 去年有哪些机器学习重要进展是你必须关注的？听听 DeepMind 研究科学家怎么说。 2020 年因为新冠疫情，很多人不得不在家工作和学习，大量人工智能学术会议也转为线上。不过在去年我们仍然看到了很多 AI 技术领域的进展。DeepMind 研究科学家 Sebastian Ruder 近日帮我们对去年的机器学习社区进行了一番总结。 首先你必须了解的是：这些重点的选择基于作者个人熟悉的领域，所选主题偏向于表示学习、迁移学习，面向自然语言处理（NLP）。 如果读者有不同的见解，可以留下自己的评论。 Sebastian Ruder 列出的 2020 年十大机器学习研究进展是： 大模型和高效模型 语言模型从 2018 年到 2020 年的发展（图片来自 State of AI Report 2020）。 2020 年发生了什么？ 在过去的一年，我们看到了很多前所未有的巨型语言和语音模型，如 Meena（Adiwardana et al., 2020）、 Turing-NLG、BST（Roller et al., 2020） 和 GPT-3（Brown et al., 2020） 。与此同时，研究人员们也早已意识到训练这样的模型要耗费过量的能源（Strubell et al., 2019），并转而探索体量更小、效果仍然不错的模型

作者 | 费弗里 来源 | Python大数据分析 简介 前不久「贝壳研究院」基于其丰富的房地产相关数据资源，发布了「2020 新一线城市居住报告」： 图1 而在这个报告中有几张数据可视化作品还是比较可圈可点的，作为（在模仿中精进数据可视化）系列文章的开篇之作，我将基于我观察原始数据可视化作品进而构思出的方式，以纯Python的方式模仿复刻图2所示作品： 图2 复刻过程 2.1 观察原作品 其实原作品咋一看上去有点复杂，但经过观察，将原始图片主要元素拆分成几个部分来构思复现方式，还是不算复杂的，我总结为以下几部分： 「1 坐标系部分」 稍微懂点数据可视化的人应该都可以看出原作品的坐标不是常规的笛卡尔坐标系，而是极坐标系，这里复现原作品极坐标系的难点在于，其并不是完整的极坐标系，即左边略小于半圆的区域是隐藏了参考线的。 因此与其在matplotlib中极坐标系的基础上想方法隐藏部分参考线，不如逆向思维，从构造参考线的角度出发，自己组织构造参考线，会更加的自由和灵活。 「2 颜色填充」 这里的「颜色填充」指的是以居住自由指数折线为中线，在购房自由指数折线与租房自由指数折线之间的颜色填充区域，但困难的是这里当购房自由指数高于租房自由指数时对应的颜色为浅蓝绿色，而反过来则变为灰色，与购房自由指数、租房自由指数的颜色相呼应。 图3 2.2 开始动手！ 综合考虑前面这些难点