作者 | Derrick Mwiti

譯者 | 劉暢

出品 | AI科技大本營(yíng)（ID：rgznai100）

Facebook/CMU開發(fā)了首個(gè)在6人撲克中擊敗職業(yè)玩家的AI

根據(jù)該文章，Pluribus是第一款能夠在六人無(wú)限注德州撲克中擊敗職業(yè)玩家的AI機(jī)器人。這是AI機(jī)器人第一次在超過(guò)兩個(gè)玩家或兩個(gè)團(tuán)隊(duì)的復(fù)雜游戲中擊敗頂級(jí)人類玩家

Pluribus經(jīng)受了職業(yè)撲克玩家的測(cè)試。其中包括世界撲克系列大賽的兩名獲勝者。Pluribus使用self-play來(lái)教自己如何取勝。沒(méi)有任何示例或者額外指導(dǎo)。Pluribus中使用的self-play版本是迭代蒙特卡洛CFR（MCCFR）算法的改進(jìn)版本。

鏈接：

https://ai.facebook/blog/pluribus-first-ai-to-beat-pros-in-6-player-poker

權(quán)重不可知神經(jīng)網(wǎng)絡(luò)（Weight Agnostic Neural Networks）

這篇文章提出了一種神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的搜索方法，該方法可以在無(wú)需任何明確的權(quán)重訓(xùn)練下，完成某個(gè)任務(wù)。文章提到，會(huì)使用從均勻隨機(jī)分布中采樣的單個(gè)共享權(quán)重參數(shù)填充連接來(lái)評(píng)估這些網(wǎng)絡(luò)。該方法能夠找到最小的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，該結(jié)構(gòu)可以在無(wú)需權(quán)重共享下執(zhí)行強(qiáng)化學(xué)習(xí)任務(wù)。

鏈接：https://weightagnostic.github.io/

基于點(diǎn)神經(jīng)的圖形

作者提出了一種基于點(diǎn)的方法來(lái)對(duì)復(fù)雜場(chǎng)景進(jìn)行建模。它使用原點(diǎn)云來(lái)作為場(chǎng)景的幾何表示。然后，它通過(guò)對(duì)局部幾何形狀和外觀進(jìn)行編碼的可學(xué)習(xí)的神經(jīng)描述來(lái)擴(kuò)展每個(gè)點(diǎn)。

根據(jù)該文章：描述符與深度渲染網(wǎng)絡(luò)是并行學(xué)習(xí)的，因此可以通過(guò)將來(lái)自新視角的點(diǎn)云進(jìn)行柵格化，然后經(jīng)過(guò)該網(wǎng)絡(luò)來(lái)獲取場(chǎng)景的新視圖。柵格化的輸入會(huì)將學(xué)習(xí)到的描述符用作點(diǎn)偽色(point pseudocolors)。

鏈接：https://arxiv.org/abs/1906.08240

進(jìn)化算法如何訓(xùn)練能力更強(qiáng)的自動(dòng)駕駛汽車

在達(dá)爾文進(jìn)化論的啟發(fā)下，Waymo和DeepMind的工程師著手進(jìn)行了一項(xiàng)研究項(xiàng)目，旨在使神經(jīng)網(wǎng)絡(luò)的訓(xùn)練更加有效。他們?cè)O(shè)計(jì)了一種基于進(jìn)化競(jìng)爭(zhēng)自動(dòng)確定超參數(shù)的方法，基于人口的訓(xùn)練（Population based Training, PBT）。

對(duì)網(wǎng)絡(luò)的評(píng)估是以進(jìn)化的方式相互競(jìng)爭(zhēng)，以求生存。一個(gè)性能較差的網(wǎng)絡(luò)將被性能更佳的網(wǎng)絡(luò)（后代）取代。后代是種群中表現(xiàn)最好成員的copy

鏈接：

https://deepmind/blog/article/how-evolutionary-selection-can-train-more-capable-self-driving-cars

Google Research Football簡(jiǎn)介：一種新的強(qiáng)化學(xué)習(xí)環(huán)境

Google Research Football是一種增強(qiáng)學(xué)習(xí)環(huán)境，它的目的是為了掌控足球。

鏈接：

https://ai.googleblog/2019/06/introducing-google-research-football.html

它提供了基于物理的3D足球模擬，控制者可以控制團(tuán)隊(duì)中的一名或所有足球運(yùn)動(dòng)員。他們學(xué)習(xí)如何在彼此之間傳球，如何打破對(duì)手的防守去得分。

該足球模擬環(huán)境會(huì)提供：

高度優(yōu)化的游戲引擎
一堆可以稱為足球基準(zhǔn)的研究問(wèn)題
Football Academy，一組越來(lái)越困難的強(qiáng)化學(xué)習(xí)場(chǎng)景

Github地址：

https://github/google-research/football

paper地址：https://arxiv.org/abs/1907.11180

使用Python構(gòu)建DAB和T姿態(tài)控制的燈光

本文將引導(dǎo)構(gòu)建一個(gè)可以通過(guò)網(wǎng)絡(luò)攝像頭識(shí)別舞步的神經(jīng)網(wǎng)絡(luò)。作者使用OpenPose來(lái)檢測(cè)身體位置。

鏈接：

https://makeartwithpython/blog/dab-and-tpose-controlled-lights

Uber借助機(jī)器學(xué)習(xí)在模擬市場(chǎng)中獲得Insights

Uber市場(chǎng)模擬團(tuán)隊(duì)構(gòu)建了一個(gè)模擬平臺(tái)，該平臺(tái)是一個(gè)具有騎手和駕駛員伙伴的模擬環(huán)境。該環(huán)境模仿了現(xiàn)實(shí)世界中的場(chǎng)景。它使用基于代理的離散事件模擬器。該平臺(tái)使Uber Marketplace工程師和數(shù)據(jù)科學(xué)家能夠在無(wú)風(fēng)險(xiǎn)的環(huán)境中快速原型化和測(cè)試新功能。

鏈接：

https://eng.uber/simulated-marketplace/

安全性之外的魯棒性：ComputerVision應(yīng)用程序

在這篇文章中，作者討論了以下這篇計(jì)算機(jī)視覺(jué)論文：

論文地址：https://arxiv.org/abs/1906.09453

他們的假設(shè)是基本分類框架可用于解決具有挑戰(zhàn)性的圖像合成任務(wù)。作者開發(fā)的工具包可以對(duì)所有任務(wù)使用一個(gè)現(xiàn)成的分類器。該分類器經(jīng)過(guò)訓(xùn)練后，可以具有強(qiáng)對(duì)抗性。

鏈接：gradientscience.org/robust_apps

github地址：

https://github/MadryLab/robustness_applications

使用Keras和深度學(xué)習(xí)進(jìn)行視頻分類

本文將教你如何使用Keras和Python進(jìn)行視頻分類。本文介紹了如何使用CNN進(jìn)行視頻分類。

鏈接：

https://pyimagesearch/2019/07/15/video-classification-with-keras-and-deep-learning

用于仿真說(shuō)話的頭部模型的few-shot對(duì)抗學(xué)習(xí)

本文提出了一個(gè)可創(chuàng)建個(gè)性化真實(shí)感談話的頭部模型。其目的是在給定面部表情的情況下合成逼真的個(gè)性化頭部圖像

鏈接：https://arxiv.org/abs/1905.08233v1

Capture the Flag：復(fù)雜合作模型的出現(xiàn)

本文介紹了游戲中的強(qiáng)化學(xué)習(xí)。作者的最新論文展示了如何在Quake III Arena Capture the Flag中達(dá)到人類水平的表現(xiàn)。

鏈接:

https://science.sciencemag.org/content/364/6443/859.full?ijkey=rZC5DWj2KbwNk&keytype=ref&siteid=sci

作者使用錦標(biāo)賽風(fēng)格的評(píng)估方式來(lái)說(shuō)明智能AI可以在三維多人第一人稱視頻游戲中達(dá)到人類水平。輸入僅僅是像素和游戲分?jǐn)?shù)。他們使用了一個(gè)兩層優(yōu)化過(guò)程。在隨機(jī)生成的環(huán)境中，從數(shù)千次并行匹配中同時(shí)訓(xùn)練一群獨(dú)立的強(qiáng)化學(xué)習(xí)智能體。每個(gè)智能體都會(huì)學(xué)習(xí)它自己內(nèi)部的獎(jiǎng)勵(lì)信號(hào)和對(duì)世界的表征。

鏈接：

https://deepmind/blog/article/capture-the-flag-science

無(wú)需獎(jiǎng)勵(lì)工程的端到端的深度強(qiáng)化學(xué)習(xí)

本文討論了一種端到端方法，該方法允許機(jī)器人從圖像中學(xué)習(xí)，而這些圖像說(shuō)明了已經(jīng)成功執(zhí)行的特定任務(wù)。因此不需要手動(dòng)獎(jiǎng)勵(lì)工程。

鏈接：

https://bair.berkeley.edu/blog/2019/05/28/end-to-end/

github地址：

https://github/avisingh599/reward-learning-rl

動(dòng)態(tài)相機(jī)，動(dòng)態(tài)的人：一種用于深度預(yù)測(cè)的深度學(xué)習(xí)方法

本文討論了針對(duì)移動(dòng)人員的深度預(yù)測(cè)。這是通過(guò)應(yīng)用基于深度學(xué)習(xí)的方法完成的，該方法從人們自由移動(dòng)的視頻中生成深度圖。該模型會(huì)學(xué)習(xí)人體姿勢(shì)，因此不直接依賴于3D定位。

鏈接：

https://ai.googleblog/2019/05/moving-camera-moving-people-deep.html

CNN，第1部分：卷積神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介

這是一個(gè)卷積神經(jīng)網(wǎng)絡(luò)（CNN）的簡(jiǎn)介，包括如何使用NumPy從頭開始在Python中構(gòu)建一個(gè)神經(jīng)網(wǎng)絡(luò)的介紹

鏈接：

https://victorzhou/blog/intro-to-cnns-part-1/

GitHub地址：

https://github/vzhou842/cnn-from-scratch/tree/forward-only

領(lǐng)先的監(jiān)督學(xué)習(xí)，計(jì)算機(jī)視覺(jué)，自然語(yǔ)言處理方法，可確保我們的平臺(tái)安全

本文介紹了Facebook如何提高其內(nèi)容理解系統(tǒng)的準(zhǔn)確性和效率，以及如何通過(guò)減少監(jiān)督學(xué)習(xí)來(lái)實(shí)現(xiàn)更多目標(biāo)。

鏈接：

https://ai.facebook/blog/advances-in-content-understanding-self-supervision-to-protect-people

本文突出的主要內(nèi)容是：

內(nèi)容理解的自我監(jiān)督的未來(lái)
使用主題標(biāo)簽實(shí)現(xiàn)視頻記錄設(shè)置的準(zhǔn)確性
最新的照片和視頻理解SOTA指標(biāo)
使用多語(yǔ)言的句子嵌入來(lái)處理有害的內(nèi)容

解構(gòu)彩票：Zeros,Signs and Supermask

作者提供了彩票假說(shuō)論文的摘要以及他們自己的論文。他們的論文是基于原始的彩票假說(shuō)論文。他們還解釋了為什么原始論文中的模型會(huì)按其方式執(zhí)行。

鏈接：

https://eng.uber/deconstructing-lottery-tickets/

使用Nvidia Jetson Nano和Python，僅以150美元的價(jià)格就可構(gòu)建基于硬件的面部識(shí)別系統(tǒng)

根據(jù)該作者的介紹，借助Nvidia Jetson Nano，你可以構(gòu)建獨(dú)立的硬件系統(tǒng)，從而以很小的預(yù)算運(yùn)行GPU加速的深度學(xué)習(xí)模型。它就像Raspberry Pi，但速度更快。

鏈接：

https://medium/@ageitgey/build-a-hardware-based-face-recognition-system-for-150-with-the-nvidia-jetson-nano-and-python-a25cb8c891fd

邏輯電路的模塊化神經(jīng)網(wǎng)絡(luò)

本文介紹了使用具有梯度下降的神經(jīng)網(wǎng)絡(luò)來(lái)構(gòu)建和訓(xùn)練邏輯電路。

鏈接：

https://declanoller/2019/05/24/descending-into-modular-neuroevolution-for-logic-circuits