又到周末。
休息之余，为大家奉上过去一周引发 AI 开发者圈子关注的那些事儿。大伙儿泡杯茶，坐在摇椅上，一起来看看在埋头工作的这个星期，外面的世界又有哪些变化。
█ 微软发起 Minecraft AI 挑战赛
本周，基于 Minecraft 上的知名 AI 技术研究测试平台 Project Malmo，微软发起了一项 AI 协作挑战赛：The Malmo Collaborative AI Challenge，目前已经开始注册报名。
比赛要求每支参赛队伍（最多 3 名队员）开发并训练一个 AI 软件产品。然后通过该软件产品参加一个名为 Pig Chase （小猪快跑）的小游戏。该游戏在 Minecraft 环境中展开，每局游戏有两名参赛者，一方为参赛队伍开发的 AI 软件产品，另一方为系统随机分配的队友，有可能是人类选手，也有可能是另一个队伍开发的 AI 软件。游戏一开始，参赛双方都有 25 分的原始积分，比赛要求双方在 25 步之内将一只小猪抓住，每走一步会减掉 1 分，最终抓住小猪双方各得 25 分，每轮比赛 10 局，最终累计得分高者获胜。
目前，关于 Pig Chase 的样例代码和详细说明已经公开在 GitHub 上：
https://github.com/Microsoft/malmo-challenge/blob/master/ai_challenge/pig_chase/README.md
详情：http://www.leiphone.com/news/201703/yFsaEbO7oAoODl9g.html?type=preview
█ Keras 2 发布，无缝支持 TensorFlow
在本次版本更新中，最重要的一项内容就是增强了 Keras 与 TensorFlow 的逻辑一致性。按照 Keras 在博客中的说法：“这是将 Keras API 整合到 TensorFlow 核心的一个重要的准备步骤”。
实际上，从 2015 年 12 月的版本开始，Keras 就已经支持用户将 TensorFlow 作为运行后端（runtime backend），但此前，Keras 的 API 与 TensorFlow 的代码库尚处于相互隔离的状态。未来，从 TensorFlow 1.2 版本开始，Keras 2 API 将作为 TensorFlow 框架的一部分直接向用户提供支持，Keras 在博客中表示：“这是 TensorFlow 实现下一个百万用户级目标的关键”。
详情：http://www.leiphone.com/news/201703/qjvnXzgYryMxs2xK.html
█ 谷歌升级语义理解框架 SyntaxNet
这是 SyntaxNet 自诞生以来的最重大升级。这建立在谷歌对各语言的语义理解研究基础之上。此次升级的核心是一项新技术：能对输入语句的多层表示进行很好的学习。具体来讲，它延伸了 TensorFlow，能对多层语言结构进行合成建模，还能够在语句或文件处理过程中，动态地生成神经网络架构。
谷歌同时发布了新的预训练过的模型 ParseySaurus。它使用了基于字母的输入表示，因此极大提升了预测新词语含义的能力。这是基于两个方面来实现：词汇的拼写和在语境中的使用方式。雷锋网了解到，ParseySaurus 的准确率远远超出 Parsey's Cousins，错误率降低了 25%。由于语言的形态特性和其他属性，新模型在俄语、土耳其语、匈牙利语上的效果尤其好——这些语言中，同一个词汇有多种不同形态，其中许多形态从未在训练阶段出现过（即便是大型语料库）。
详情：http://www.leiphone.com/news/201703/9mP1ewE1EWivGPyc.html
█ Cloudera 发布自助式数据开发工具
在圣何塞举行的 Strata+Hadoop World 大会上，美国大数据服务商 Cloudera 发布了 Cloudera Data Science Workbench —— 一个运行于 Cloudera Enterprise，自助式的数据科学开发环境。目前该全新研发的软件尚在 beta 内测阶段。
雷锋网(公众号：雷锋网)获知，其相关技术来自于 Cloudera 去年收购的数据科学初创公司 Sense.io。该产品的最大特点是原生支持 Apache Spark、Hadoop 和 R、Python、Scala 等开发语言。 开发者能在 Cloudera 的企业平台上同时使用这些工具和语言，这将加速数据分析项目从研发到最终产品的过程。
详情：http://www.leiphone.com/news/201703/YTpa23qzTQBepxl5.html
推荐深度阅读
█ 用数据说话：把自拍照变成毕加索名画 哪种算法最高效？
有位外国开发者根据 fast.ai 平台开设的深度学习代码实践课程，亲手实现了一个照片风格转换器，并对几种常见的优化算法的性能进行了综合对比，最终以图表加博客的方式记录下来。
作者比较了基于 CNN 的六种优化算法：梯度下降、Adadel、RMSProp、Adam、L-BFGS 和 Adagrad。雷锋网对全文进行了编译。
详情：http://www.leiphone.com/news/201703/Isacz6x6dDNQPDVW.html?type=preview
