Uma seleção de artigos sobre aprendizado de máquina: estudos de caso, guias e pesquisas para abril de 2020

Continuamos a selecionar publicações que ajudam a diminuir o limite de entrada na esfera do ML. Como antes, ele compila principalmente ferramentas de código aberto, modelos pré-treinados e APIs de alto nível.

O Blender

Facebook AI introduziu o maior chatbot de código aberto do Blender . É baseado em um modelo com 9,4 bilhões de parâmetros, o que o torna o maior sistema existente. Este é o primeiro chatbot de domínio aberto que combina uma variedade de habilidades de conversação em um sistema: ele é capaz de expressar empatia e mostrar individualidade. Segundo os autores do estudo, o Blender é, em todos os aspectos, melhor que o Meena, que o Google anunciou no início deste ano , mas não foi demonstrado.

Esteiras de fundo

O aprendizado de máquina é frequentemente usado para remover o fundo das imagens. Se, com imagens estáticas, os resultados são muito bons e há serviços completos como remove.bg, agora isso também pode ser alcançado em vídeo - a chromakey não é mais necessária! Apareceu uma ferramenta gratuita que faz um excelente trabalho para remover o plano de fundo do vídeo. Para o resultado desejado, você precisa tirar uma foto de fundo sem uma pessoa e, em seguida, os algoritmos de aprendizado de máquina realizam sua mágica. Os resultados são surpreendentes, na publicação você pode ver os benchmarks.



Desoclusão

Os algoritmos de aprendizado de máquina existentes são capazes de analisar apenas as partes visíveis dos objetos. Isso leva a uma interpretação incompleta da cena.
Agora a estrutura de código aberto apareceu, que é capaz de complementar fragmentos ocultos da exibição de objetos na imagem. A ferramenta é baseada em um modelo treinado sem o envolvimento de um professor.



O

desempenho do TensorFlow Profiler é um fator-chave na pesquisa de aprendizado de máquina. Quanto mais rápido o modelo é treinado, mais iterações podem ser feitas, reduzindo a sobrecarga. Isso é muito importante no desenvolvimento industrial. No entanto, nem sempre é claro o que deve ser otimizado e leva tempo para procurar pescoços estreitos. Agora, para o TensorFlow, há um conjunto de ferramentas projetadas para resolver esse problema.

Quant noise

Os modelos modernos de aprendizado de máquina estão se tornando mais volumosos e contêm milhões de parâmetros. No entanto, há uma necessidade urgente de executar esses modelos em dispositivos fracos. Em uma tentativa de resolver essa contradição, apareceu uma ferramenta de código aberto que fornece a compactação máxima de modelos praticamente sem perda de desempenho. No futuro, isso permitirá que você execute aplicativos localmente em dispositivos móveis e chipsets IoT.

TensorFlow Lite

No entanto, já existem muitos modelos otimizados para dispositivos fracos. Esta publicação mostra como, sem experiência em aprendizado de máquina, usando o TensorFlow Lite para montar um produto completo. O número de modelos pré-treino no repositório é constantemente reabastecido, portanto nada impede que você crie aplicativos móveis agora, no coração dos quais haverá modelos de aprendizado de máquina.

Transferência de estilo

Lembre-se do aplicativo Prisma, que transferiu o estilo artístico para as fotos dos usuários usando uma rede neural? Você não surpreenderá ninguém agora, mas agora pode montar seu próprio prisma para Android e iOS. A publicação descreve como essa técnica é otimizada para o TensorFlow Lite ser suportado por dispositivos móveis não tão poderosos. A propósito, em abril, o mesmo recurso apareceu no aplicativo Google Arts & Culture.



Bônus: a

Stanford University publicou um curso de acesso aberto em 2018, que agora pode ser visualizado no Youtube .

Em vez de uma conclusão: com

base nas bibliotecas da seleção de março, montamos um pequeno projeto que permite controlar a interface da web usando uma webcam comum e falamos sobre isso em detalhesem Habré. Talvez as ferramentas desta coleção também inspirem alguns leitores a encontrar uma solução para algum problema real. Vai ser ótimo ler sobre isso. Enquanto isso, isso é tudo, obrigado por sua atenção!