兼容PyTorch、TF，史上最灵活Python机器学习框架发布 | 一周AI最火论文-阿里云开发者社区

兼容PyTorch、TF，史上最灵活Python机器学习框架发布 | 一周AI最火论文

2021-10-25 458

版权

本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。

简介： 兼容PyTorch、TF，史上最灵活Python机器学习框架发布 | 一周AI最火论文

本周最佳学术研究

编写与PyTorch，TensorFlow，JAX和NumPy均兼容的代码

深度学习（DL）的进步正日益促进着越来越多DL框架的发展。这类框架提供了用于自动区分和GPU加速的高级且高效的API，并使得使用相对较少而直接的代码来实现异常复杂且功能强大的深度学习模型成为可能。

EagerPy是一个Python框架，可用于编写自动与PyTorch、TensorFlow、JAX和NumPy兼容的代码，而无需牺牲性能。

库开发人员不必选择仅支持这些框架之一而为每个框架重新实现库，或是选择处理代码重复问题。因此这类库的用户可以更轻松地切换框架，而不会被一个第三方库锁定。除了支持多框架之外，EagerPy还对链接到所有框架的方法都提供了详尽的类型注释和一致的支持。

Github传送门：
https://github.com/jonasrauber/eagerpy

EagerPy传送门：
https://eagerpy.jonasrauber.de/

原文：
https://arxiv.org/pdf/2008.04175v1.pdf

用于图无监督学习的面向API的开源Python框架

在这项工作中，研究人员介绍了一个Python框架Karate Club。它结合了30多种可用于无监督机器学习任务的最新的图挖掘算法。具体来说，它支持社区检测、节点嵌入和整个图嵌入技术。它建立在NetworkX、PyGSP、Gensim、NumPy和SciPy Sparse等对图形数据进行无监督学习的开源包的基础上。

本文还运用实例讨论了该框架背后的设计原理。研究人员还展示了Karate Club在学习广泛的现实世界中的聚类问题和分类任务等中高效的学习性能，并证明了其具有竞争力的速度。

该软件包的主要目标是使广泛的机器学习研究人员和从业人员可以使用社区检测、节点和整个图形嵌入技术。

Github传送门：
https://github.com/benedekrozemberczki/karateclub

原文：
https://arxiv.org/abs/2003.04819v3

帮助RL落地应用：易于使用且灵活的仿真套件

强化学习（RL）已证明其在解决多个AI领域复杂问题中的价值。但是，由于在实际应用时一系列假设很少能被满足，将RL部署到实际产品和系统中仍然面临很大的挑战。为了强调RL算法发展中的的核心问题、鼓励人们研究这些问题、并加快未来RL应用的实现进度，Google AI研究人员提出并讨论了九种不同的挑战，这些挑战阻碍了当前RL算法在应用系统中的应用。他们也使用最新的RL算法对这些挑战的模拟版本进行了实证研究，并对每种挑战的效果进行了基准测试。

研究人员已为读者提供了每种挑战的相关参考文献，用于指导相关从业者将RL应用于生产系统，并为相关研究人员提供了一个示例环境和评估标准来衡量这些挑战的进展。

挑战：
https://github.com/google-research/realworldrl_suite

原文：
https://ai.googleblog.com/2020/08/a-simulation-suite-for-tackling-applied.html

使用张量（Tensor）网络进行自适应学习

在本文中，蒙特利尔大学的研究人员利用张量网络的形式开发了一种通用且高效的张量学习自适应算法。所提出的方法基于一种简单的“贪心算法”，该“贪心算法”从一阶张量优化了可微分的损失函数，并针对小等级增量依次识别了最有希望的张量网络边缘。

该算法可以通过少量参数自适应地识别张量网络结构，从而有效地从数据中优化目标函数。这一框架相当全面，并且包含许多常见的张量优化问题。在张量分解和完成任务的综合数据方面都有实验能证明该算法的有效性，以及它优于传统方法的有效性。

原文：
https://arxiv.org/abs/2008.05437v1

Google Lookout：设备上的超市产品识别

随着现代智能手机上的计算能力不断增强，许多计算机视觉任务现在有可能完全在移动设备上高性能运行。通过结合MnasNet和MobileNets等设备上模型并结合设备上索引，可以实时运行完整的计算机视觉系统，例如对带有标签的产品进行识别。

利用此类技术，Google AI最近发布了Lookout，这是一个使用计算机视觉使视障用户可以更轻松地访问物理世界的安卓应用程序。当用户将智能手机的相机对准产品时，Lookout会识别它并大声说出品牌名称和产品尺寸。

为了实现这一强大功能，Lookout包括带有产品上商品索引的超市产品检测和识别模型，以及MediaPipe对象跟踪和光学字符识别模型。由此产生的架构足以在整个设备上实时运行，研究人员很期待能够继续探索这一技术在未来的应用，同时继续进行研究以提高底层设备模型的质量和健壮性。

其他爆款论文