GAN凝结了人们对”创作”本质的看法 — David 9
虽然ICLR 2018 要明年5月举办, 一些企业巨头已经摩拳擦掌，前不久，英伟达正在审阅的论文引起了大家注意，David 9觉得很有意思。论文用深度增长的网络构建、并生成稳定，高质量，多样的GAN对抗样本图片 ：
上图demo是深度增长网络GAN生成的明星样本，清晰度和质量堪称惊艳。论文打破了神经网络在训练过程中“架构不变”的惯性思维。为了更好地“临摹”高清的明星脸谱，训练过程中，先从“粗略模糊”地“勾勒”开始对抗学习： 继续阅读深度增长网络: 构建稳定，高质量，多样的GAN对抗模型，英伟达论文选读2
自己吹得牛逼，硬着头皮也要实现
Vicarious是和Deepmind对标的以强人工智能为目标的美国AI新兴公司。有意思的是，虽然融了上亿美元，除了工业机器人，Vicarious并没有像Deepmind的AlphaGo类似接地气的夺目产品。之前饱受争议，终于在近期公开的递归皮质网络RCN还被LeCun痛批了一回。RCN号称攻破了人类的CAPTCHA验证码自动识别，达到了神经网络300倍的数据利用率：
首先我们来看一下Yann LeCun早在2013年批评的理由： 继续阅读聊一聊Vicarious发表在Science的那篇生成视觉模型，被LeCun痛批的递归皮质网络RCN
有时候，读读工程类的文章，虽然简单，但是能看到别人踩过的坑用过的tricks，也是挺有意思。NVIDIA不久前放出的协同过滤新标杆DeepRecommender 以Netfix 2009年的netflixprize竞赛数据为基准，使用基于自编码器的协同过滤，准确率比普通模型都高。
netflixprize竞赛目标非常简单，预测一个用户对一部影片评分的可能值（Netflix要推荐用户最感兴趣的影片来赚钱，不是吗？）事实上，评价竞赛分数的loss函数也很简单，是一个均方误差：
ri是真实评分，yi是模型预测评分，mi是一个外加的mask控制项，如果真实评分ri=0，那mi=0，否则mi就可以等于1. 继续阅读DeepRecommender：基于自编码器的协同过滤(Collaborative Filtering)，英伟达论文选读及其pytorch实现
