新闻
TensorFlow开发者峰会的亮点
来源：MEDIUM.COM
Tensorflow开发者峰会于2018年3月30日举行。它包含数十个教程和几个重要公告，包括Tensorflow.js的发布和重新品牌化，Tensorflow的JavaScript端口，Tensorflow Hub的发布，Tensorflow模型代码的分享和Tensorflow对SWIFT的支持等等。
DeepMind重回巴黎
来源：DEEPMIND.COM
链接：https://deepmind.com/blog/a-return-to-paris/?utm_campaign=Revue%20newsletter&utm_medium=Newsletter&utm_source=The%20Wild%20Week%20in%20AI
DeepMind宣布在欧洲大陆开设第一个研究实验室DeepMind Paris，此实验室将由由Remi Munos领导，他是DeepMind的主要研究科学家之一，曾发表过150篇研究论文。
Google Cloud开始提供文字转语音技术
来源：CLOUDPLATFORM.GOOGLEBLOG.COM
链接：https://cloudplatform.googleblog.com/2018/03/introducing-Cloud-Text-to-Speech-powered-by-Deepmind-WaveNet-technology.html?utm_campaign=Revue%20newsletter&utm_medium=Newsletter&utm_source=The%20Wild%20Week%20in%20AI
这一项新服务允许您使用高质量的文本到语音的合成功能，为您的应用程序生成自然的声音。价格竟然低至100万字16.00美元。
文章&教程
世界模型
来源：WORLDMODELS.GITHUB.IO
链接：https://worldmodels.github.io/?utm_campaign=Revue%20newsletter&utm_medium=Newsletter&utm_source=The%20Wild%20Week%20in%20AI
代理能够在自己的“幻觉”中学习吗？在这项研究中，一个代理是在一个学习的环境模型里面进行训练的，这是一种虚拟的环境。并且在学到策略然后转回到真实的环境中后，代理仍然表现出色。
实用的深度强化学习教程
来源：SIMONINITHOMAS.GITHUB.IO
链接：https://simoninithomas.github.io/Deep_reinforcement_learning_Course/?utm_campaign=Revue%20newsletter&utm_medium=Newsletter&utm_source=The%20Wild%20Week%20in%20AI
关于Deep Reinforcement Learning的系列免费博文，您可以在这里了解主要算法以及如何在Tensorflow中实现它们。
TensorFlow Dev峰会2018录音
（YouTube视频）
来源：WWW.YOUTUBE.COM
此Youtube频道包含上周举行的Tensorflow开发者峰会的所有录音，是了解新的Tensorflow功能和用例的优秀资源。
代码、项目&数据
像黑镜一样将人锁定在图像中
来源：GITHUB.COM
链接：https://github.com/minimaxir/person-blocker?utm_campaign=Revue%20newsletter&utm_medium=Newsletter&utm_source=The%20Wild%20Week%20in%20AI
使用在MS COCO数据集上预先训练过的Mask R-CNN自动“阻挡”图像中人物的脚本（如Black Mirror插图为White Christmas）。
Matchbox：
自动高效的PyTorch Minibatching
来源：GITHUB.COM
链接：https://github.com/salesforce/matchbox?utm_campaign=Revue%20newsletter&utm_medium=Newsletter&utm_source=The%20Wild%20Week%20in%20AI
Matchbox使深度学习研究人员能够在各个示例级别编写PyTorch代码，然后在小型代码上实现高效运行。
爆款论文
目标定向代理中的无监督预测记忆
来源：ARXIV.ORG
链接：https://arxiv.org/abs/1803.10760?utm_campaign=Revue%20newsletter&utm_medium=Newsletter&utm_source=The%20Wild%20Week%20in%20AI
当足够的信息被代理的传感器隐藏时，RL算法会变得无法解决简单任务，这是一种称为“局部可观察性”的特性。这篇文章的作者开发了一个模型，使用记忆，RL和推理网络（MERLIN），其中记忆形成由预测建模过程指导。MERLIN便于在三维虚拟现实环境中解决任务，其部分可观察性非常严格，并且记忆必须在很长的时间内保持不变。该模型演示了一个单一的学习代理体系结构，可以解决心理学和神经生物学中的经典行为任务，而不需要对感官输入的维度或经验持续时间进行简单的假设。
code2vec：学习代码的分布式表示
来源：ARXIV.ORG
链接：https://arxiv.org/abs/1803.09473?utm_campaign=Revue%20newsletter&utm_medium=Newsletter&utm_source=The%20Wild%20Week%20in%20AI
将代码片断表示为连续分布向量的神经模型。其主要思想是将代码表示为其抽象语法树中路径的集合，并将这些路径以智能且可扩展的方式聚合成单个固定长度的代码向量，该代码向量可用于预测片段的语义属性。作者通过使用它来从其身体的向量表示来预测方法的名称，从而证明了该方法的有效性。
原文发布时间为：2018-04-3
本文作者：文摘菌
