模型秒变API只需一行代码,支持TensorFlow等框架

还在为机器学习模型打包成API发愁?这个工具能让你一行代码直接打包。

专注于机器学习应用的人们知道,从训练好的模型到实际的工业生产工具还有一定的距离。其中工作量很大的地方在于将模型打包,预留API接口,并和现有的生产系统相结合。近日,GitHub上有了这样一个项目,能够让用户一行代码将任意模型打包为API。这一工具无疑能够帮助开发者在实际的生产应用中快速部署模型。
项目地址:https:

分析了自家150个ML模型之后,这家全球有名的旅行网站得出了6条经验教训

在许多媒体文章中,我们都能看到「机器学习赋能XX行业」的字眼,但这种「能量」究竟体现在哪些方面,企业在引入机器学习模型的过程中要注意哪些问题,很多文章都没有说清楚。在今年的KDD大会接收论文中,全球最大的线上旅行代理网站Booking.com(缤客网)贡献了一篇论文,分析了他们面向客户的150个成功的机器学习应用以及从中得到的六条经验教训。本文是对这篇论文的简短总结。

「150success

害怕部署机器学习模型?这里有一篇手把手教程

 
照片由FranckV发布在Unsplash上
本文转自雷锋网,如需转载请至雷锋网官网申请授权。
阅读本文后,你将能够部署机器学习模型,并用你想要的编程语言进行预测。没错,你可以坚持使用Python,也可以通过Java或Kotlin直接在你的Android应用程序中进行预测。另外,你可以直接在你的web应用程序中使用该模型——你有很多很多选择。为了简单起见,我会用 Postman。
不过,我

图像转换3D模型只需5行代码,英伟达推出3D深度学习工具Kaolin

近年来,3D计算机视觉和人工智能两个领域都取得了飞快的发展,但二者之间如何实现有效的结合还有很长的路要走。基于此,英伟达于今日推出了KaolinPyTorch库,借助于这个库,只需几步即可将3D模型迁移至神经网络的应用范畴。
此外,Kaolin库还可以大大降低为深度学习准备3D模型的工作量,代码可由300行锐减到仅仅5行。
作为一个旨在加速3D深度学习研究的PyTorch库,Kaolin为用于

面向神经机器翻译的篇章级单语修正模型

 
本文转自雷锋网,如需转载请至雷锋网官网申请授权。
《面向神经机器翻译的篇章级单语修正模型》[1]是EMNLP2019上一篇关于篇章级神经机器翻译的工作。针对篇章级双语数据稀缺的问题,这篇文章探讨了如何利用篇章级单语数据来提升最终性能,提出了一种基于目标端单语的篇章级修正模型(DocRepair),用来修正传统的句子级翻译结果。

1、背景
近几年来,神经机器翻译迅速发展,google在20

如何使用Flask轻松部署机器学习模型?

【51CTO.com快译】数据科学家/机器学习工程师使用Scikit-Learn、TensorFlow、Keras或PyTorch等开发机器学习模型时,最终目标是将其部署到生产环境。从事机器学习项目时,我们常常过于关注探索性数据分析(EDA)、特征工程和超参数调整等,却往往忘了主要目标:从模型预测中提取实际价值。
部署机器学习模型或将模型部署到生产环境意味着将模型提供给最终用户或系统。然而,

500亿参数,支持103种语言:谷歌推出「全球文字翻译」模型

由于缺乏平行数据,小语种的翻译一直是一大难题。来自谷歌的研究者提出了一种能够翻译103种语言的大规模多语言神经机器翻译模型,在数据丰富和匮乏的语种翻译中都实现了显著的性能提升。他们在250亿个的句子对上进行训练,参数量超过500亿。

在过去的几年里,由于神经机器翻译(NMT)的发展,机器翻译(MT)系统的质量得到了显著提升,打破了世界各地的语言障碍。但NMT的成功很大程度上要归功于有监督的训

谷歌发布含7种语言的全新数据集:有效提升BERT等多语言模型任务精度高达3倍!

本文转自雷锋网,如需转载请至雷锋网官网申请授权。
近日,谷歌发布了包含7种语言释义对的全新数据集,即:PAWS与PAWS-X。BERT通过该数据集的训练,在释义对问题上的精度实现了约为3倍的提升;其它先进的模型也能够利用该数据集将精度提高到85-90%。谷歌希望这些数据集将有助于推动多语言模型的进一步发展,并发布了相关文章介绍了该数据集,雷锋网AI开发者将其整理编译如下。

背景环境
词序和句

使用7S模型成功实现人工智能转型

作为与许多组织合作的客户关系管理(CRM)顾问,很难不将人工智能视为一个主要考虑的主题。那么有所帮助吗?其较大的影响在哪里?如何开始?需要什么技能?这些是人们几乎每天都会听到的一些问题。

所有这些问题都有一个共同点:它们很好操作,并且具有战术性。
在进行了很多关于实现人工智能的讨论和参与之后,人们注意到了人工智能采用的两个趋势:

在许多组织中,这个主题是由IT驱动的。
其次,该主题采用技

论机器学习模型的可解释性

在2019年2月,波兰政府增加了一项银行法修正案,该修正案赋予了客户在遇到负面信用决策时可获得解释的权利。这是GDPR在欧盟实施的直接影响之一。这意味着如果决策过程是自动的,银行需要能够解释为什么不批准贷款。
在2018年10月,“亚马逊人工智能招聘工具偏向男性”的报道登上了全球的头条新闻。亚马逊的模型是基于有偏见的数据进行训练的,这些数据偏向于男性应聘者。该模型构建了不利于含有“Women’