作为自动化机器学习平台的其中一员，基于 MXNet 深度学习框架（支持 Pytorch）的 AWS AutoGluon 于 1 月 9 日正式发布，在这之前，AutoGluon 已经在 Github 上悄悄上线一个月了 —— 新一代人工智能实验室的科研人员，以及 AI 开发者们，均可以通过它构建包含图像、文本或表格数据集的机器学习应用程序，并且不需要进行任何手动测试。
AutoGluon 为开发人员自动化了许多决策。通常，像超参数调优这样的任务是需要手动执行的，这要求科学家预测超参数 —— 表示在构建 AI 模型时所做的选择 —— 将如何影响模型训练。另一个通常被称为神经架构搜索，这是一[……]
此前，跨象乘云™ 发布了《最佳TensorFlow科研项目架构模板实践》，TensorFlow 是帮助深度学习新方法走向实现的强大工具。它为大多数深度学习领域中使用的常用语言提供了大量应用程序接口。对于开发者和研究人员来说，在开启新的项目前首先面临的问题是：如何构建一个简单明了的结构。所以，经过大量的实践和对 Tensorflow 项目贡献，整理了一个结合简洁，具备文件夹结构化组织，并且面向对象设计的 Tensorflow 项目模板最佳实践 —— 为高校深度学习与新一代人工智能科研实验室建设以及科研教学平台提供良好的基础支撑。
另一方面，自从 PyTorch 1.0 发布之后，越来越多的[……]
Pytorch 是 Torch 的 Python 版本，是由 Facebook 开源的神经网络框架，专门针对 GPU 加速的深度神经网络（DNN）编程。Torch 是一个经典的对多维矩阵数据进行操作的张量（Tensor ）库，在机器学习和其他数学密集型应用有广泛应用。与 Tensorflow 的静态计算图不同，Pytorch 的计算图是动态的，可以根据计算需要实时改变计算图。
Vipul Vaibhaw 在 Github 开源了一份关于 Pytorch 深度学习的书册，《First steps towards Deep Learning with PyTorch》，这是一本关于深度学习的[……]
此前，跨象乘云™ 发布过《TensorFlow VS. PyTorch》 —— 谷歌的 Tensorflow 与 Facebook 的 PyTorch 一直是颇受社区欢迎的两种深度学习框架。那么究竟哪种框架最适宜自己手边的深度学习项目呢？本文作者从这两种框架各自的功能效果、优缺点以及安装、版本更新等诸多方面给出了自己的建议。如果你在读这篇文章，那么你可能已经开始了自己的深度学习之旅。如果你对这一领域还不是很熟悉，那么简单来说，深度学习使用了「人工神经网络」，这是一种类似大脑的特殊架构，这个领域的发展目标是开发出能解决真实世界问题的类人计算机。为了帮助开发这些架构，谷歌、Facebook 和 U[……]
在机器学习研究中，MNIST 手写数字图像数据集已经作为基准使用了二十余年。该数据集虽然经典，但也存在测试集过小等问题。近日，来自 Facebook 和纽约大学的研究者重建并扩展了该数据集，在测试集中新增了 50,000 个样本。MNIST 作者之一的 Yann LeCun 在推特中表示：
如果多次使用原版的 MNIST 测试集，你的模型可能在测试集上已经过拟合了。是时候在新增的样本上试一下了。
MNIST 是一个由 Yann Lecun 等人创建的手写数字图像数据集，是研究者研究机器学习、模式识别等任务的高质量数据库。它包含训练集和测试集，训练集包含 60,000 个样本，测试集[……]
《深度学习入门之 PyTorch》深度学习如今已经成为科技领域最炙手可热的技术，在《深度学习入门之 PyTorch》中，我们将帮助你入门深度学习。《深度学习入门之 PyTorch》将从机器学习和深度学习的基础理论入手，从零开始学习 PyTorch ，了解 PyTorch 基础，以及如何用 PyTorch 框架搭建模型。通过阅读《深度学习入门之 PyTorch》，你将学到机器学习中的线性回归和 Logistic 回归、深度学习的优化方法、多层全连接神经网络、卷积神经网络、循环神经网络，以及生成对抗网络，最后通过实战了解深度学习前沿的研究成果，以及 PyTorch 在实际项目中的应[……]
开源框架总览：现如今开源生态非常完善，深度学习相关的开源框架众多，光是为人熟知的就有 caffe，tensorflow，pytorch/caffe2，keras，mxnet，paddldpaddle，theano，cntk，deeplearning4j，matconvnet 等。如何选择最适合你的开源框架是一个问题。一个合格的深度学习算法工程师怎么着得熟悉其中的 3 个以上吧。下面是各大开源框架的一个总览。
在这里我们还有一些框架没有放上来，是因为它们已经升级为大家更喜欢或者使用起来更加简单的版本，比如从 torch->pytorch，从 theano 到 lasa[……]
与 2018 年 12 月正式发布的 Pytorch1.0 相比，这次发布的 1.1 版本提高了性能，并增加了新的模型理解和可视化工具，来提高可用性，还提供了新的 API。
其中，最重要的功能是支持 TensorBoard，它是谷歌为 TensorFlow 打造的可视化工具，能够帮助开发人员评估和调试模型。
根据 Facebook 介绍，在开发这一功能的时候，他们与谷歌有非常密切的合作。
其他的更新还有：
[……]
项目 Gi[……]