五篇深度学习论文

1、酷视觉效果：使用 CycleGAN 在不成对图像集之间转换目标：学会在不成对的图闻赙酵枭像集之间进行转换作者开始有两套不同领域的图像，如马和斑马，并学习两种转换网：一种将马转换为斑马，另一种则相反。每一种转换都进行一种样式转换，但不是针对单个图像的风格，而是在网络中发现的一组图像的聚合风格。转换网被训练成一对生成对抗网络（Generative Adversarial Network，简称 GAN，是非监督式学习的一种方法，通过让两个神经网络相互博弈的方式进行学习），每个网络都试图欺骗鉴别者，使其相信「转换后」的图像是真实的。引入了额外的「循环一致性损失」鼓励图像在经过两个转换网络（即向前和向后）之后保持不变。论文的视觉效果是惊人的，强烈建议去 GitHub 看看一些其他的例子。我特别感兴趣这篇是因为，与许多以前的方法不同的是，它学会在不成对图像集之间进行转换，打开可能不存在匹配图像对的应用程序的大门。此外，代码非常易于使用和实验，证明了方法的稳健性和实现的质量。

3、有用：使用 GANS 进行无监督的模拟训练细化数据目标：使用真实世界的图像，使模拟训练数据现实应用中更有用采集真实世界的数据是比较困难和耗时的。因此，许多研究人员经常使用仿真工具，它们能够产生标记的训练数据的几乎无限量的。然而，大多数模拟数据对于训练在真实数据上操作的深度学习系统是不够逼真的。为了克服这种局限性，论文使用生成对抗网络（GAN）来使用未标记的真实世界图像来改进标记的模拟图像。 他们训练一个「细化网络」来欺骗辨别分类器，该分类器被训练成可以区分精致的模拟图像和真实图像。 由于细化网络和分类器是一体化训练的，精致的模拟图像开始显得非常逼真：

5、令人印象深刻：从零开始的谷歌的围棋 AI目标：在没有任何人类参与的情况下学习围棋2017 年的最佳砘捃坑聒名单将是不完整的，如果没有谷歌的 DeepMind 在过去这些年的另人印象深刻的成就，特别是他的 AlphaGo。最近的 AlphaGo Zero 论文避免了集成人类的知识或游戏玩法：它只通过「自我玩耍」进行训练，这是通过改进的强化学习训练程序来实现的，其中的策略会随着游戏的前向模拟而更新，用于指导搜索的神经网络在游戏过程中得到改善，使训练速度更快。尽管我对这篇论文的兴趣主要集中在工程学层面，但 AlphaGo 采用的混合经典和深度学习方法也让我倍受鼓舞，在这种方法中，蒙特卡洛树搜索的增加使得系统性能优于单片神经网络。 作为研究机器人的人，我被这种组合方法所鼓舞：使用经典算法作为决策的主干，并使用机器学习来提高性能或克服计算限制。这篇论文和 2016 AlphaGo 论文也都很棒， 都写得很好，充满了有趣的技术细节和见解。 如果没有其他原因，这些文件值得详细阅读。