本篇文章1976字，读完约5分钟
自从开放人工智能的建立将人工智能平台的开源推向高潮后，谷歌、脸书、微软、推特等公司也走上了自己平台的开源之路，以吸引学术界和工业界的研究人员，让他们更多地分享自己的研究成果。无论这些巨头做什么(公开分享软件和硬件设计)，无论是加速人工智能产业整体发展的最初意图，还是对付竞争对手的强制行动，对那些痴迷于人工智能的人来说都是一件好事。
就像当你对人工智能不知所措时，这些开源平台会不由自主地跳进你的眼睛。
教你用手玩谷歌张量流
▎:你为什么选择张量流动作为第一个平台？起初，还不确定该选择哪一个深度学习平台，张量积还没有出来。当时主要考虑的是平台的成熟度、支持的编程语言、gpu的支持和效率、构建神经网络的便利性、启动的难度、平台的后续开发、开发的生态环境以及平台的效率。虽然我们已经收集了一些比较数据，但在许多因素中进行选择是不容易的，逐个尝试也是不现实的。不久之后，tensorflow从谷歌上打开了它的来源，我们毫不犹豫地选择了它。
首先，tf拥有我们需要的所有功能(c++/python语言支持、gpu等)。)。更重要的是，我们相信谷歌推出的平台将很快被大家所接受，并很快形成相应的开发生态系统和积极的后续更新开发。后来的事实也证实了我们的期望。下表比较了几种流行的平台，数据来自今年2月在arxiv上发表的论文。
点击阅读全文。
▎mit最近发布了编程语言milk，以加速大数据时代的并行计算
本周，麻省理工学院发布了一种新的编程语言milk，它在大数据中的处理速度是现有语言的四倍。
在本周举行的并行架构和编译技术国际会议上，麻省理工学院计算机科学和人工智能实验室(csail)的研究人员发布了一种新的编程语言——milk，它使应用程序开发人员能够在处理大型数据集中的离散数据点时更有效地管理内存。
通过测试几种常见的算法，用新语言编写的程序比现有的编程语言快4倍。但是研究人员相信进一步的研究可以取得更好的结果。
电子工程和计算机科学教授Saman amarasinghe说，大数据集给现有的内存管理技术带来问题的原因不仅是因为它们的巨大规模，还因为它们是稀疏的。也就是说，问题解决方案的规模不一定与问题的规模成正比。
点击阅读全文。
▎openai教你如何为深度学习研究建立基础设施
Openai研究工程师张薇、乔纳斯·施奈德、伊利亚·苏斯克弗和格雷格·布罗克曼分享了深度学习研究所需的基础设施(软件、硬件、配置和编译)。示例展示了如何使用开源kubernetes-ec2-autoscaler在深度学习研究中自动扩展网络模型，这将有助于大多数深度学习研究爱好者构建自己的深度学习基础设施。
深度学习是一门实证科学，研究团队的基础设施建设将对未来的研究工作产生重大影响。幸运的是，今天的开源生态系统可以让任何人构建更好的深度学习基础设施。
在本文中，我们将介绍深度学习研究通常是如何进行的，描述我们选择支持深度学习研究的基础设施，以及开源kubernetes-ec2-autoscaler，一个针对kubernetes的批处理优化扩展管理器。我们希望这篇文章能帮助您构建自己的深度学习基础设施。
点击阅读全文。
基于lua/torch的▎twitter开源增强学习框架torch-twrl
Torch诞生已有十年，但它真正的崛起是由于facebook去年开放了大量深度学习模块和torch扩展的源代码。torch的另一个特点是它使用了不太流行的编程语言lua(用于开发视频游戏)。今天，
强化学习算法(agent)的目标是通过与任务(环境)的交互来学习执行复杂而新颖的任务。为了开发有效的算法，快速迭代和测试是非常重要的。torch-twrl按计划开放。
借鉴其他强化学习框架，torch-twrl旨在提供:
在lua/torch中，有一个功能依赖性最小的强化学习框架；
定义清晰的模块化代码(以促进快速开发)；
与开放式人工智能的增强学习基准框架健身房无缝对接。
点击阅读原文。
▎认为这还不够吗？15个开源人工智能软件一个接一个地统计，哪一个是你的菜？
人工智能是目前最热门的研究领域之一。ibm、谷歌、微软、Facebook和亚马逊等大公司不仅增加了对其开发研究部门的资本投资，还开始收购一些在机器学习、神经网络、自然语言和图像处理领域取得微小成就的初创企业。鉴于目前人工智能研究的普及，斯坦福大学的教授们最近做了这样一个报告:“人工智能软件的作用越来越强大，对人类社会和经济有着强大影响的人工智能软件将在2030年之前问世。”国外网站datamation今天已经编译了15个流行的开源人工智能软件。雷锋。搜索“雷锋”。搜索“雷锋”。com "公众数字注意")已将全文汇编如下:
1.caffe
……
……
……
点击阅读全文。
