MySQL的架构体系

ABBYY的工程师使用它来完成计算机视觉和NLP任务。这些任务包括图像预处理、分类、OCR、文档布局分析以及从文档中提取数据，这些文档可以是结构化的，也可以是非结构化的。

"NeoML为运行在任何设备上的预训练图像处理模型提供了15-20%的性能。" 该库被设计为处理和分析多格式数据(视频、图像等)的综合工具。

(2) FINDER发布

网络科学家多年来一直在努力解决一个重要问题。他们一直在试图确定最影响网络功能的关键角色或一组最佳节点。

今年6月，中国国防科技大学、加州大学洛杉矶分校(UCLA)和哈佛医学院(HMS)的研究人员发表了一个名为FINDER(Finding key players in Networks through Deep Reinforcement learning)的深度强化学习(DRL)框架。它在一小套合成网络上进行训练，然后应用于真实世界的场景。该框架可以识别复杂网络中的关键角色。它发表在《自然机器智能》的一篇论文中。

2020年8月

(1) scikit-learn发布了0.23版本

新版本包括一些新的主要功能，并修复了上一个版本中的bug。其主要功能包括：广义线性模型，以及梯度提升的泊松损失;丰富的估计器的可视化表示;对KMeans的可扩展性和稳定性的改进;对基于直方图的梯度提升估计器的改进;对Lasso和ElasticNet的样本权重支持。

2020年9月

亚马逊出版《深度学习分析》《Dive into Deep Learning》一书

亚马逊团队在书中加入了关键的编程框架。这本书--Dive into Deep Learning--是通过Jupyter笔记本起草的，整合了数学、文本和可运行代码。它是一个完全开源的实时文档，可触发更新为HTML、PDF和笔记本版本。

虽然这本书最初是为MXNeT编写的，但其作者也将PyTorch和TensorFlow加入其中。

对于对深度学习感兴趣的学生、开发者和科学家来说，亚马逊的这本书是一个很好的开源资源。

2020年10月

(1) 《自然机器智能》杂志发表了一个突破性的模型

今年10月，来自维也纳理工大学(TU Wien)、奥地利IST和美国麻省理工学院(MIT)的一个国际研究团队公布了一个新的人工智能系统。这个新时代的人工智能系统建立在线虫等微小动物的大脑上，只需几个人工神经元就能控制车辆。

与以往的深度学习模型相比，该方案具有显著的优势。远离了臭名昭著的 "黑盒子"，它可以处理嘈杂的输入，并且简单易懂。该模型发表在《自然机器智能》上。

(2) MIScnn 发布

MIScnn是一个开源的Python框架，用于卷积神经网络和深度学习的医学图像分割。

它拥有直观的API，只需几行代码就能快速设置医学图像分割管道。MIScnn还具有数据I/O、预处理;贴片式分析;数据增强;度量;具有最先进的深度学习模型和模型利用的库;以及自动评估。

(3) TensorFlow 2.3发布

tf.data解决了输入管道瓶颈，提高了资源利用率。对于高级用户来说，它的训练速度有所提高。tf.data允许用户在不同的训练运行中重复使用输出，从而释放出额外的CPU时间。

TF Profiler增加了一个内存剖析器来可视化模型的内存使用情况，以及一个Python追踪器来追踪模型中的Python函数调用。它还提供了对新的 Keras 预处理层 API 的实验性支持。

(4) PyTorch 1.7.0 发布

它包括许多新的API，包括 "支持NumPy兼容的FFT操作、剖析工具，以及对分布式数据并行(DDP)和基于远程过程调用(RPC)的分布式训练的重大更新。"

11月及以后

随着2020年进入最后一圈，我们期待更多令人印象深刻的新进展出现。

（编辑：淮安站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!