转型AI的程序员注意啦，2018 AI领域最值得关注的热点在这里
作者 | Ross Taylor
译者 | linstancy
整理 | Jane
出品 | AI科技大本营
【导读】本文的作者 Ross Taylor 和 Robert Stojnic 在今年一起启动了一个名为“Paper with Code”的项目，将 AI 领域的一些研究论文和论文开源代码结合展示，方便大家学习与研究。在推进这个项目的同时，通过分析网站的数据他们也有一些意外和有趣的收获，用更综合、全面的视野总结了下半年的发展现状与热点，哪些正在成为流行趋势、哪些被广泛使用。
在这篇文章中，作者为大家总结了 2018 年下半年机器学习领域被密切关注的成果，快来看看，这些你是不是都知道呢？
最流行的模型：BERT, vid2vid 和 graph_nets
10月，Google AI 团队提出了一种深度双向 Transformer 模型 (BERT)，并发表了相关的论文。该模型在 11 个NLP 任务上取得了目前为止最佳的性能，Stanford Question Answering (SQuAD) 数据集也引起了学术界的强烈关注。随后，Google AI 进一步开源了项目代码，并在当月获得了最多 Stars 数量，可见其热门程度。
论文链接：https://arxiv.org/abs/1810.04805
GitHub 链接：https://github.com/google-research/bert
Nvidia 的 video-to-video synthesis 研究同样是下半年一大热点。该研究提出了一种新颖的生成模型 (GAN) 并在视频合成任务中取得惊人的效果。众所周知，GAN 是过去几年里最受欢迎的深度学习模型之一，该研究团队利用一种新颖的顺序生成器架构，以及一些前景和背景先验 (foreground-and-background priors) 等设计特征，解决了当前视频合成研究中时间不连贯的问题，进而提高了最终的性能。同样地，该项目代码也被 Nvidia 团队开源，并成为今年下半年第二大最受欢迎的项目。
论文链接：https://arxiv.org/abs/1808.06601
GitHub 链接：https://github.com/NVIDIA/vid2vid
同样值得关注的是，Google DeepMind 团队关于图网络 (graph_nets) 的最新研究。该研究得到广泛关注的原因是，因为它为解决结构化数据提供了一种新的方向。该开源项目是 2018 下半年排名第三位的受欢迎项目。
论文链接：https://arxiv.org/abs/1806.01261v3
GitHub 链接：https://github.com/deepmind/graph_nets
最受欢迎的项目：DeOldify、BERT 和 Fast R-CNNs
下面来介绍下半年最受欢迎的三个开源项目。
首先是 DeOldify。这是一项使用生成对抗网络 (GAN) 来修复黑白旧照片并为其重新上色的研究，在深度学习领域引发了极大的兴趣和关注。该项目的作者是 Jason Antic，他借鉴了几种 GAN 模型的实现，包括 self-attention GANs (SA-GANs)、progressively growing GANs (PG-GANs)，来构建自己的模型，并采用两种时间跨度的原则，最终得到了有意思的结果。
GitHub 链接：
https://github.com/jantic/DeOldify
其次是 BERT 的 pytorch 实现，作者是 Junseong Kim。该项目的代码基于 The Annotated Transformer，代码风格简单易懂。
GitHub 链接：
https://github.com/codertimo/BERT-pytorch
最后一个项目是 Mask R-CNN 的 Keras/TensorFlow 实现，作者 Waleed Abdulla，这是今年下半年第三个热门 GitHub 项目。在结构上，Mask R-CNN 基于特征金字塔网络 (FPN) 和 ResNet101 为模型骨干，它可用于许多诸如 3D 建筑物重建，自动驾驶中的目标检测，检测地图中的建筑物类型等应用。
GitHub 链接：
https://github.com/matterport/Mask_RCNN
最活跃的领域：NLP 和 GANs
通过查看 GitHub 上 Top50 的开源实现，我们会发现当前最热门、最活跃的研究领域是自然语言处理 (NLP) 和生成对抗模型 (GANs)。在 GitHub 上，GANs 领域最受欢迎的开源项目有 vid2vid，DeOldify，CycleGAN 以及 faceswaps，而最热门的 NLP 开源项目包括 BERT，HanLP，jieba，AllenNLP 以及 fastText。
每7篇新论文中，只有一篇论文附有代码实现
希望研究者在发表论文的同时可以开源自己的代码实现。在过去 5 年的时间里，我们处理了60000 多篇机器学习领域的论文，在这些论文中，只有 12％ 的论文开源了它们的代码，而过去 6 个月新发表的论文中，大约只有 15％ （即每7篇新论文中只有1篇）附有代码实现。这些数字都告诉我们还有更多的工作要做，但是一切也正朝着正确的方向发展！
每 20 分钟就会出现一篇机器学习论文
从 7 月到现在，机器学习领域论文发表数量的增长率一直维持在每月 3.5％ 左右，每年的增长率达到了 50％。这意味着，每月大约有 2200 篇新论文发表，按照这个趋势，预计明年将有近 30000 篇新论文发表。
为了更好描述这是怎样的一个趋势，我们绘制了曲线图与摩尔定律的趋势图进行比较。
最热门的两大深度学习框架：Tensorflow 和 PyTorch
以往每年大部分论文的代码都是基于 Tensorflow 框架实现的，但是，今年 PyTorch 的火热程度无法让人忽视，PyTorch 社区的活跃度非常高。其他的框架，诸如 MXNet，Torch 和 Caffe2 在整个深度学习社区的活跃度和使用率相对就有些低了。 Tensorflow 和 PyTorch 这两大框架都发生了很大的变化，TensorFlow 正朝着 eager execution 的方向发展，并集成了新的 Keras API，而 PyTorch 的改进旨在使用者能够更轻松地构建自己的深度学习模型。
展望
整个领域都开始强调论文的可复现性，虽然目前的数字显示，并不是都能做到，甚至我们还有一段路要走，但也正是如此，帮助大家明确了今后的工作的要求与方向。也希望出了研究人员外，有更多的人加入到开源社区中来。
此外，除了 Google 和 Facebook 这样的大型巨头公司外，独立的 ML 社区 (indie ML community) 也将有助于推动论文复现、代码开源等工作。如果，研究团队和开发社区能更加紧密的联系与合作，相信会产生更多有助于实际应用的机器学习工具，进而让整个领域更加发挥更大的潜力，全速前进。
原文链接：
https://medium.com/atlas-ml/state-of-deep-learning-h2-2018-review-cc3e490f1679
（*本文为AI科技大本营翻译稿件，转载请联系微信1092722531）