美国登月火箭首次点火失败：一台发动机报废

　在接连的两起风波中，饿了么应对都很不利。尤其是骑手为了 5000 元，就爆发了自焚的悲剧，更是让饿了么形象受损。

　　而这一系列风波背后，阿里本地生活公司 CEO 王磊都没有出来道歉。

　　2018 年前，王磊曾形容饿了么和美团的竞争，是美团站在 2 楼打 1 楼，饿了么融入阿里后，要从 6 楼打 2 楼。2020 年初，王磊说：“接下来的新竞争，将不再是流量变现的赛道，而是‘新服务’的赛道，是商家和我们一起发展的赛道“。

　　此外，蚂蚁集团 CEO 胡晓明也兼任阿里本地生活服务公司董事长，从战略高度协同支付宝和本地生活；王磊也主导了组织架构调整，成立三大事业群（到家、到店、商家中台和创新）和三大事业部（物流、新零售、泛生活服务），引入阿里 B2B 元老雷雁群和赵伟，及阿里健康张亮等负责人。

　　用王磊的话说，过去两年饿了么一直在做数字化设施的搭建，通过在云计算、物流、金融科技、新零售等方面持续投入，形成了以阿里云智能、菜鸟、蚂蚁金服、高德地图为底座，实物商品、服务和娱乐为着力点的数字经济“商业基础设施”。
 

　　左：该示意图显示了深层神经网络如何随着简单的输入/输出图变得无限宽而引发它们。右图：随着神经网络宽度的增加，我们看到在网络的不同随机实例上的输出分布变为高斯分布。

　　机器感知

　　对我们周围世界的感知--对视觉、听觉和多模态输入的理解、建模和行动--仍然是一个具有巨大潜力的研究领域，对我们的日常生活大有裨益。

　　2020 年，深度学习使 3D 计算机视觉和计算机图形学更紧密地结合在一起。CvxNet、3D 形状的深度隐含函数、神经体素渲染和 CoReNet 是这个方向的几个例子。此外，他们关于将场景表示为神经辐射场的研究（又名 NeRF，也可参见本篇博文）是一个很好的例子，说明 Google Research 的学术合作如何刺激神经体量渲染领域的快速进展。
 

　更好地理解 ML 算法和模型

　　随着神经网络被做得更宽更深，它们往往训练得更快，泛化得更好。这是深度学习中的一个核心奥秘，因为经典学习理论表明，大型网络应该超配更多。

　　在无限宽的限制下，神经网络呈现出惊人的简单形式，并由神经网络高斯过程（NNGP）或神经切线核（NTK）来描述。谷歌研究人员从理论和实验上研究了这一现象，并发布了 Neural Tangents，这是一个用 JAX 编写的开源软件库，允许研究人员构建和训练无限宽度的神经网络。
 

　　概述我们的方法并说明 AttentionAgent 中的数据处理流程。顶部：输入转换 - 一个滑动窗口将输入图像分割成更小的补丁，然后将它们 "扁平化"，以便将来处理。中间。补丁选举 - 修改后的自我注意力模块在补丁之间进行投票，以生成补丁重要性向量。底部：动作生成--AttentionAgent 在补丁之间进行投票，生成补丁的重要性向量。行动生成--AttentionAgent 选择重要性最高的补丁，提取相应的特征，并基于这些特征做出决策。

　　AutoML

　　毫无疑问，这是一个非常活跃和令人兴奋的研究领域。

　　我在 AutoML-Zero 中：不断学习的代码，我们采用了另一种方法，即为演化算法提供一个由非常原始的运算（例如加法，减法，变量赋值和矩阵乘法）组成的搜索空间，以查看是否有可能从头开始发展现代 ML 算法。

　　但是，有用的算法实在太少了。如下图所示，该系统重塑了过去 30 年中许多最重要的 ML 发现，例如线性模型，梯度下降，校正线性单位，有效的学习率设置和权重初始化以及梯度归一化。
 

　使用不同的自监督方法（在 ImageNet 上预训练）学习的表示形式，对 ImageClass 的分类器进行 ImageNet top-1 准确性训练。灰色十字表示受监管的 ResNet-50。

　　强化学习

　　强化学习通过学习其他主体以及改进探索，谷歌已经提高了 RL 算法的效率。

　　他们今年的主要重点是离线 RL，它仅依赖于固定的，先前收集的数据集（例如先前的实验或人类演示），从而将 RL 扩展到了无法即时收集训练数据的应用程序中。研究人员为 RL 引入了对偶方法，开发了改进的算法以用于非策略评估，此外，他们正在与更广泛的社区合作，通过发布开源基准测试数据集和 Atari 的 DQN 数据集来解决这些问题。

（编辑：信阳站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!