我们被困住了，或者说至少我们已经停滞不前了。有谁还记得上一次一年没有在算法、芯片或数据处理方面取得重大显著进展是什么时候?几周前去参加Strata San Jose会议，却没有看到任何吸引眼球的新进展，这太不寻常了。我不是唯一一个注意到这些的人。例如，这

人脑是一种效率极高的智能来源，但目前的AI还达不到这样的水平。本月早些时候，OpenAI宣布已经构建起有史以来规模最大的AI模型。这套惊人的模型名为GPT-3，已经成为令人印象深刻的伟大技术成就。现代AI模型需要消耗大量电力，而且对电力的需求正以惊人的速度

在深度学习项目开始前，选择一个合适的框架是非常重要的事情。最近，来自数据科学公司 Silicon Valley Data Science 的数据工程师 Matt Rubashkin为我们带来了深度学习 7 种流行框架的深度横向对比，希望本文能对你带来帮助。

几张贴纸就能「改变」交通标志识别结果，转个方向就看不出图中的动物种类，今天的人工智能系统经常会出现莫名其妙的 bug。一辆自动驾驶汽车在接近停止标志时非但没有停车，反而加速驶入了繁忙的十字路口。一份事故调查报告显示，该汽车之所以做出这种决策，是因为停止标志

深度学习发展势头迅猛，但近两年涌现的诸多深度学习框架让初学者无所适从。如 Google 的 TensorFlow、亚马逊的 MXNet、Facebook 支持的 PyTorch、Theano、Caffe、CNTK、Chainer、百度的 PaddlePad

深度学习技术往往比较复杂，从头开发的难度较大，但现在有一些公司提供了能帮助开发者轻松使用深度学习的自动化深度学习平台，比如微软的 CustomVision.AI、谷歌的 Cloud AutoML、OneClick.AI。Data Science Cent

本文主要讲了神经进化是深度学习的未来，以及如何用进化计算方法优化深度学习。过去几年时间里，我们有一个完整的团队致力于人工智能研究和实验。该团队专注于开发新的进化计算方法，包括设计人工神经网络架构、构建商业应用程序，以及使用由自然进化激发的方法来解决具有挑战

十年前，当我在学校跟着老板苦哈哈地做图像识别的时候，我想不到十年后的今天机器学习技术有了如此长足的发展，而AI的概念也由之深入人心。再后来，我们有了Github，这一技术人的军火库；我们用起了Python，毕竟人生苦短；我们也开始有了Sklearn，算法人

2017年，在移动应用的深度学习方面取得了一些重大进展。2017年4月，谷歌发布了轻量级神经网络MobileNets。2017年6月，苹果公司发布了Core ML，支持在移动设备上运行机器学习模型。除此之外，最近发布的一些高端设备配备了GPU，它们运行机

深度学习应该这一两年计算机圈子里最热的一个词了。基于深度学习，工程师们在图像，语音，NLP等领域都取得了令人振奋的进展。而深度学习本身也在不断的探索和发展中，其潜力的极限目前还没有被看到。而深度学习并不能提供太多的帮助。此外，有些问题对计算资源和时间的要求

深度学习在图像处理、语音识别、自然语言处理领域的应用取得了巨大成功，但是它通常在功能强大的服务器端进行运算。TensorFlow版本增加了对Android、iOS和Raspberry Pi硬件平台的支持，允许它在这些设备上执行图像分类等操作。本文主要基于

Faster R-CNN、R-FCN 和 SSD 是三种目前最优且应用最广泛的目标检测模型。其他流行的模型通常与这三者类似，都依赖于深度 CNN来进行网络初始化，且大部分遵循同样的 proposal/分类管道。随着自动驾驶汽车、智能监控摄像头、面部识别以及

还记得孩提时代，你是如何开始学习辨认水果、动物、汽车以及其他事物的吗?多年来，我们的大脑接受训练，识别这些图像，然后将它们进一步划分为苹果、桔子、香蕉、猫、狗和马。“深度学习”指的是由许多层网络层组成的人工神经网络。在深度学习中使用多层网络层，机器现在有能

日复一日的人像临摹练习使得画家能够仅凭几个关键特征画出完整的人脸。同样地，我们希望机器能够通过低清图像有限的图像信息，推断出图像对应的高清细节，这就需要算法能够像画家一样“理解”图像内容。至此，传统的规则算法不堪重负，新兴的深度学习照耀着图像超清化的星空。