2022年AI专家成长路线图 21K★；前端工程师算法红宝书；经典推荐算法的代码全实现；触觉机器人的强化学习套件；前沿论文 | ShowMeAI资讯日报

日报 系列全新升级！覆盖AI人工智能 工具&框架 | 项目&代码 | 博文&分享 | 数据&资源 | 研究&论文 等方向。点击查看 ，在公众号内订阅话题 #ShowMeAI资讯日报 ，可接收每日最新推送。点击 快速浏览各专题全集。点击 回复关键字 日报 免费获取AI电子月刊与资料包。

工具&框架

🚧 『ONNX HAWP Line Detection』基于 ONNX 的线条检测 HAWP 模型

用于在 ONNX 中使用 HAWP 模型执行线检测的 Python 脚本。

🚧 『Tiny.Sim』用于 Free Pascal 的跨平台实时2D/3D图形、2D物理模拟库

Tiny.Sim 是一个微型跨平台库，用于渲染实时动画 2D/3D 图形和 2D 物理模拟，有一个几乎完整的 2D 物理模拟引擎，具备许多实体类型和物理碰撞反馈控制。Tiny.Sim 具有完整的矢量绘图画布和支持对象，已经过测试并且在 Linux、macOS、Windows 和 Raspberry Pi 计算机上运行良好。

🚧 『Tactile-Gym 2.0』用于触觉机器人技术的强化学习套件（多触觉传感器）

Repo 作为 Tactile Gym 2.0 开源，建立在 Tactile Gym 之上，扩展为 DigiTac、DIGIT、TacTip 三个触觉传感器，并集成了一个低成本的工业级精度桌面机器人 DOBOT MG400，用于将学习到的策略成功转移到无需任何进一步微调的真实世界。项目论文『Sim-to-real Deep Reinforcement Learning for Comparing Low-cost High-Resolution Robot Touch』提到的框架如下。

🚧 『wfrest』快速、高效、简单易用的C++异步web框架

wfrest 是一个 C++ 异步 web 框架，基于 C++ Workflow 企业级程序引擎进行开发，能够快速搭建 http 服务器。

博文&分享

👍 『前端啃算法』一次性解决前端工程师的算法学习问题

👍 『Blockchain in a nutshell』深入浅出区块链教程

区块链实现了一个数字社会，在这个社会中，人们可以贡献、合作和交易，而不必再去猜测信任和透明度。它是比特币、以太坊以及许多颠覆性应用和平台成功背后的技术，对许多行业产生了积极影响，包括金融、教育、医疗保健、环境、交通和慈善事业等等。本章对奠定区块链技术基础的基本概念、数学和算法进行了j讲述。

数据&资源

🔥『AI Expert Roadmap』2022年人工智能专家成长路线图 21.1k✨

这是一组图表，展示了成为数据科学、机器学习工程师或人工智能专家的成长路径，包含数据科学路线图、机器学习路线图、深度学习路线图、数据工程师路线图、大数据工程师路线图等。可以前往 查看交互式版本（列表中每个项目符号对应的资料页面）。

🔥『Recommend System TF2.0』推荐算法实现

Repo 用于记录在学习推荐系统过程中的知识产出，主要是对经典推荐算法的原理解析及代码实现。算法包含但不仅限于下图中的算法，持续更新中…

研究&论文

可以点击 回复关键字 日报 ，免费获取整理好的论文合辑。

科研进展

• 2022.07.28 『 自然语言处理 』 Efficient Training of Language Models to Fill in the Middle
• 2022.07.27 『 机器学习 』 Learning with Combinatorial Optimization Layers: a Probabilistic Approach
• 2022.07.27 『 计算机视觉 』 Generator Knows What Discriminator Should Learn in Unconditional GANs
• 2022.07.27 『 计算机视觉 』 Real-World Image Super-Resolution by Exclusionary Dual-Learning

⚡ 论文：Efficient Training of Language Models to Fill in the Middle

论文标题 ：Efficient Training of Language Models to Fill in the Middle

论文时间 ：28 Jul 2022

所属领域 ： 自然语言处理

对应任务 ：Data Augmentation，数据扩增

论文地址 ：https://arxiv.org/abs/2207.14255

代码实现 ：https://github.com/openai/human-eval-infilling

论文作者 ：Mohammad Bavarian, Heewoo Jun, Nikolas Tezak, John Schulman, Christine McLeavey, Jerry Tworek, Mark Chen

论文简介 ：To this end, we run a series of ablations on key hyperparameters, such as the data transformation frequency, the structure of the transformation, and the method of selecting the infill span./为此，我们对关键的超参数进行了一系列的消融，如数据转换频率、转换的结构和选择填充跨度的方法。

论文摘要 ：我们表明，在我们对数据集进行简单的转换后，自回归语言模型可以学会填充文本，这种转换只是将文本的跨度从文档的中间移到其末端。虽然这种数据扩充近年来引起了很多人的兴趣，但我们提供了大量的证据，证明以这种方式转换的大量数据训练模型并不损害原始的从左到右的生成能力，这一点可以通过在各种规模上的困惑和抽样评估来衡量。鉴于训练模型的有用性、简单性和效率，我们建议未来的自回归语言模型默认使用FIM训练。为此，我们对关键的超参数进行了一系列的消融，如数据转换频率、转换的结构和选择填充跨度的方法。我们使用这些消融来规定强大的默认设置和最佳做法来训练FIM模型。我们在API中发布了用最佳实践训练的最佳填充模型，并发布了我们的填充基准以帮助未来的研究。

⚡ 论文：Learning with Combinatorial Optimization Layers: a Probabilistic Approach

论文标题 ：Learning with Combinatorial Optimization Layers: a Probabilistic Approach

论文时间 ：27 Jul 2022

所属领域 ： 机器学习

对应任务 ：Combinatorial Optimization，组合优化

论文地址 ：https://arxiv.org/abs/2207.13513

代码实现 ：https://github.com/axelparmentier/inferopt.jl

论文作者 ：Guillaume Dalle, Léo Baty, Louis Bouvier, Axel Parmentier

论文简介 ：Combinatorial optimization (CO) layers in machine learning (ML) pipelines are a powerful tool to tackle data-driven decision tasks, but they come with two main challenges./机器学习（ML）管道中的组合优化（CO）层是处理数据驱动的决策任务的有力工具，但它们有两个主要挑战。

论文摘要 ：机器学习（ML）管道中的组合优化（CO）层是处理数据驱动的决策任务的有力工具，但它们也有两个主要挑战。首先，组合优化问题的解决方案通常表现为其目标参数的分片常数函数。鉴于ML管道通常使用随机梯度下降法进行训练，没有斜率信息是非常不利的。其次，标准的ML损失在组合环境中不能很好地工作。越来越多的研究通过不同的方法解决这些挑战。不幸的是，缺乏维护良好的实施方案，减缓了对CO层的采用。在本文中，在以前的工作基础上，我们引入了关于CO层的概率观点，它自然而然地适用于近似区分和结构化损失的构建。我们从文献中恢复了许多作为特例的方法，同时我们也得出了新的方法。基于这种统一的观点，我们提出了InferOpt.jl，这是一个开源的Julia包，1）允许将任何具有线性目标的CO oracle变成可微分层，2）定义足够的损失来训练包含这种层的管道。我们的库可以与任意的优化算法一起工作，并且与Julia的ML生态系统完全兼容。我们使用视频游戏地图上的寻路问题来证明其能力。

⚡ 论文：Generator Knows What Discriminator Should Learn in Unconditional GANs

论文标题 ：Generator Knows What Discriminator Should Learn in Unconditional GANs

论文时间 ：27 Jul 2022

所属领域 ： 计算机视觉

对应任务 ：Conditional Image Generation，Image Generation，Unconditional Image Generation，约束图像生成，图像生成，无约束图像生成

论文地址 ：https://arxiv.org/abs/2207.13320

代码实现 ：https://github.com/naver-ai/ggdr

论文作者 ：Gayoung Lee, Hyunsu Kim, Junho Kim, Seonghyeon Kim, Jung-Woo Ha, Yunjey Choi

论文简介 ：Here we explore the efficacy of dense supervision in unconditional generation and find generator feature maps can be an alternative of cost-expensive semantic label maps./这里我们探讨了密集监督在无条件生成中的功效，并发现生成器特征图可以作为成本低廉的语义标签图的替代品。

论文摘要 ：最近的条件性图像生成方法得益于密集监督，如分割标签图以实现高保真。然而，在无条件的图像生成中采用密集监督的方法却很少被探索。在这里，我们探讨了密集监督在无条件生成中的功效，并发现生成器特征图可以作为成本低廉的语义标签图的替代品。根据我们的经验证据，我们提出了一种新的生成器引导的判别器正则化（GGDR），其中生成器特征图监督判别器在无条件生成中具有丰富的语义表示。具体来说，我们采用了U-Net结构的判别器，它被训练来预测给定的假图像作为输入的发生器特征图。在多个数据集上进行的广泛实验表明，我们的GGDR在定量和定性方面一直在提高基线方法的性能。代码可在https://github.com/naver-ai/GGDR获取

⚡ 论文：Real-World Image Super-Resolution by Exclusionary Dual-Learning

论文标题 ：Real-World Image Super-Resolution by Exclusionary Dual-Learning

论文时间 ：6 Jun 2022

所属领域 ： 计算机视觉

对应任务 ：Image Restoration，Image Super-Resolution，Super-Resolution，图像修复，图像超分辨率，超分辨率

论文地址 ：https://arxiv.org/abs/2206.02609

代码实现 ：https://github.com/house-leo/rwsr-edl

论文作者 ：Hao Li, Jinghui Qin, Zhijing Yang, Pengxu Wei, Jinshan Pan, Liang Lin, Yukai Shi

论文简介 ：Real-world image super-resolution is a practical image restoration problem that aims to obtain high-quality images from in-the-wild input, has recently received considerable attention with regard to its tremendous application potentials./现实世界的图像超级分辨率是一个实际的图像修复问题，旨在从原始输入中获得高质量的图像，最近因其巨大的应用潜力而受到相当的关注。

论文摘要 ：真实世界的图像超分辨率是一个实际的图像修复问题，旨在从原始输入中获得高质量的图像，最近因其巨大的应用潜力而受到广泛关注。尽管基于深度学习的方法在真实世界的图像超分辨率数据集上取得了可喜的修复质量，但它们忽略了L1-和感知最小化之间的关系，并粗略地采用辅助的大规模数据集进行预训练。在本文中，我们讨论了损坏图像中的图像类型以及基于感知和欧几里得的评估协议的特性。然后，我们提出了一种方法，即排他性双学习（RWSR-EDL）的真实世界图像超分辨率，以解决基于感知和L1的合作学习中的特征多样性。此外，还开发了一个噪音引导的数据收集策略，以解决多数据集优化中的训练时间消耗问题。当一个辅助数据集被纳入时，RWSR-EDL取得了可喜的成果，并通过采用噪声引导数据收集策略，击退了任何训练时间的增加。广泛的实验表明，RWSR-EDL在四个野外图像超分辨率数据集上取得了比最先进方法更有竞争力的性能。

我们是 ，致力于传播AI优质内容，分享行业解决方案，用知识加速每一次技术成长！点击查看 ，在公众号内订阅话题 #ShowMeAI资讯日报 ，可接收每日最新推送。点击 快速浏览各专题全集。点击 回复关键字 日报 免费获取AI电子月刊与资料包。

• 作者： @
• 声明：版权所有，转载请联系平台与作者并注明出处
• 欢迎回复，拜托点赞，留言推荐中有价值的文章、工具或建议，我们都会尽快回复哒~