人类的出发点是因果，模型的出发点是数据 — David 9
没有上层逻辑（或reasoning）和自恰的抽象归纳，在这一点上深度学习只能沦为一般的“工具”。举例说这个360全景室内图的3D重建应用：
如果要设计一个端到端的模型，应该把神经网络实际输出抽象成什么？也许只有像作者等领域专家才会想到分成两个图（角点图和边缘图）去建立室内3D场景:
因为对于室内场景，把角点和边缘线准确找到，再假设房顶和地面平行，就可以预测出比较好的3D模型盒子（box）了：
因此细想一下，AI专家系统的复兴是不是未来一个可以期待的方向？况且，David认为，论文中“reladted work”部分蕴含了大量人类探知知识的“因果”。
继续阅读AI+3D重建#2：端到端的360全景室内3D重建角点模型，AR、装修设计、室内导航20 美元/时的AutoML太贵？试试AutoKeras吧
自动搜索构建深度学习模型和调参一直是数据科学家们向往的工具，而我们知道Google AI发布的AutoML是要收费的，如果想要开源的而且想要对AutoML背后技术一探究竟的，可以看看这款AutoKeras，
AutoKeras开发处于初期阶段，它基于Keras（也有pytorch），而keras我们知道是基于TensorFlow，所以GPU利用可以不用担心（只要你安装了gpu版TensorFlow即可）。由于Keras代码极其简洁，autokeras上手也较容易 。
所以直接上autokeras版mnist训练代码：
from keras.datasets import mnist
from autokeras.image_classifier import ImageClassifier
if __name__ == '__main__':
(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train = x_train.reshape(x_train.shape + (1,))
x_test = x_test.reshape(x_test.shape + (1,))
clf = ImageClassifier(verbose=True, augment=False)
clf.fit(x_train, y_train, time_limit=12 * 60 * 60)
clf.final_fit(x_train, y_train, x_test, y_test, retrain=True)
y = clf.evaluate(x_test, y_test)
print(y * 100)
这里有几个要点，第一，代码需要在python3.6上跑否则会有兼容性问题（目前autokeras只支持python3.6）， 继续阅读AutoKeras：开源AutoML初体验，自动搜索和构建最优深度模型，贝叶斯搜索器，以及mnist示例代码
与其说AI智能时代，不如说是“泛智能的自动化”时代，或者，以人类为智能核心的 “机器智能辅助”时代 — David 9
最近流传的一些AI“寒冬论”， David 9 觉得很可笑。二十年前深蓝击败卡斯帕罗夫时，自动化智能已经开始发展，只是现今更“智能”而已，而这个更智能、更普及的趋势不是任何人可以控制的。
人类无尽的贪婪和惰性需要外部智能辅助和填补，也许以后的核心不是“深度学习”或者增强学习，但终究会有更“好”的智能去做这些“脏”活“累”活，那些人类不想干或人类做不到的活。。。
CVPR2018上，伊利诺伊大学和Intel实验室的这篇“学会在黑暗中看世界” 就做了人类做不到的活， 自动把低曝光、低亮度图片进行亮度还原：
人肉眼完全开不到的曝光环境下，机器实际是可以还原出肉眼可识别的亮度。
该论文的第一个贡献是See-in-the-Dark (SID)数据集的整理：
因为目前的数据集没有针对低曝光同时低亮度的图片集，如上图，作者用索尼和富士相机收集低曝光的室内室外图片，同时配对正常曝光的图片用来训练： 继续阅读CVPR2018精选#3: 端到端FCN学会在黑暗中看世界，全卷积网络处理低曝光、低亮度图片并进行还原，及其TensorFlow源码
