一周焦点 | 陆奇“入驻” YC；TensorFlow 2.0 即将发布

▌业界焦点

陆奇“入驻” YC，开启新征程



8 月 15 日，据 36 氪消息，Y Combinator（以下简称 YC）宣布中国作为美国市场外展开业务的首个国家，同时，宣布陆奇担任 YC 中国创始人及首席执行官，全权负责 YC 在华业务的发展，并担任 YC 全球研究院院长，领导 YC 全球研究院的前沿科学研究。

陆奇称自己对自然语言交互、计算机视觉等 AI 技术非常看好。“人工智能技术对科研领域有非常大的影响。我在 YC 做的事情，就是希望能够尽快推动这些愿景的落地，特别是在中国。”（via 36氪）

谷歌 DeepMind 的 AI 可以检测出超过 50 种威胁视力的眼疾



DeepMind 周一发布了一项研究，显示其在使用人工智能诊断眼部疾病方面取得的进展。该研究发表在自然科学杂志上，该研究报告称，DeepMind 与伦敦 Moorfields 眼科医院合作，已经训练其算法能够检测出超过 50 种威胁视力的病症，其准确度与专家临床医生相同。它还能够为患者正确推荐最合适的行动方案，并优先考虑那些最迫切需要护理的人。

DeepMind 的 AI 已经使用一种特殊类型的眼睛扫描仪进行了培训，但研究人员称它与任何型号都兼容。这不仅意味着它可以广泛使用而且没有硬件限制，即使更换和更新设备，它仍将在未来是有用的。但是，在 AI 用于临床诊疗之前，它必须通过临床试验并获得监管部门的批准。（via cnBeta）

英伟达十年力作：新一代光线追踪显卡 Quadro RTX 及核心架构 Turing，可支持 AI 运算



8 月 14 日清晨，英伟达（NVIDIA）CEO 黄仁勋在 SIGGRAPH 2018 计算机图形技术大会上推出外界纷传已久的新款显卡系列 Quadro RTX，并且发布了全新核心架构 Turing（“图灵”）。

前者是全球首批主打光线追踪技术的专业显卡，除了支持光线追踪外，还支持高级着色、仿真、AI 运算等任务；后者则是“自 2006 年 CUDA GPU 发布以来的最大进步”，其光线追踪能力比 Pascal 快25倍，现场他还特意演示了基于 Turing 架构的 RTX 前后对比图。

蔚来汽车向 SEC 提交 IPO 申请，计划最多融资 18 亿美元

据美国财经网站 CNBC 报道，中国电动汽车制造商蔚来汽车（Nio）向美国证券交易委员会（SEC）提交了 IPO（首次公开募股）招股书，希望通过 IPO 筹集至多 18 亿美元资金。 蔚来汽车计划在纽约证券交易所挂牌上市，股票代码为“NIO”。该公司此次 IPO 的承销商包括：摩根士丹利、高盛、美银美林、德银证券、花旗、瑞信证券、瑞银证券和 WR Securities。（via TechWeb)

小爱同学月活跃设备超 3000 万，累计唤醒超过 50 亿次

小米官方宣布，截止 7 月底，小爱同学月活跃设备超过 3000 万，今年 7 月小爱同学唤醒超过 10 亿次，累计唤醒已超过 50 亿次。



小爱同学是小米旗下的人工智能助手，内置在小米手机、小米 AI 音箱、小米小爱音箱 mini 等设备中，用户可以通过小爱同学语音操控小米生态链中的多款产品。除此以外，小爱同学还具备播放音乐、查天气、翻译、闲聊等日常应用；手机里的小爱同学还可以打电话、信息搜索、打开 App、导航、语音设置日程提醒等专属应用。（via.新浪科技）

▌技术焦点

TensorFlow 2.0 即将发布，所有 tf.contrib 将被弃用

谷歌开源战略师 Edd Wilder-James 最新公开的一封邮件显示，TensorFlow 2.0 预览版将在今年晚些时候正式发布，并称其是一个重大的里程碑。

据悉，未来 TensorFlow 将会把重点放在易用性上，而 Eager Execution 将会是 TensorFlow 2.0 的核心功能。

此外，TensorFlow 团队表示，未来所有的 tf.contrib 都会被弃用，对于每个 contrib 模块，要么 a）将项目集成到 TensorFlow 中；b）将其移至单独的存储库；c）完全将其移除。从今天将开始，TensorFlow 将停止添加新的 tf.contrib 项目。

GraphPipe：实用便捷的通用机器学习模型部署框架





GraphPipe 是一种协议和软件集合，旨在简化机器学习模型部署并将其与特定框架的模型实现分离。

特征：基于扁平缓冲区的极简主义机器学习传输规范；适用于 Tensorflow，Caffe2 和 ONNX 的简单，高效的参考模型服务器；在 Go，Python 和 Java 中进行有效的客户端实现。

https://github.com/oracle/graphpipe

Polygon-RNN++：分割数据集高效标记

使用对象掩码手动标记数据集非常耗时。而遵循 Polygon-RNN 的思想，他们对模型做了几个重要改进：1）设计了一个新的 CNN 编码器架构；展示了如何使用强化学习有效地训练模型；3）使用图形神经网络提高输出分辨率，允许模型准确地注释图像中的高分辨率对象。



https://github.com/fidler-lab/polyrnn-pp

TensorFlow模型分析工具更新至v0.9.0



https://github.com/tensorflow/model-analysis/releases/tag/v0.9.0

DL/ML/C/C++/Python/面试笔记



https://github.com/imhuay/Interview_Notes-Chinese

 ——【完】——

在线公开课 知识图谱专场

◆

精彩继续

◆

时间：8月23日 20:00-21:00

添加微信csdnai，备注：公开课，加入课程交流群

参加公开课，向讲师提问，即有机会获得定制T恤或者技术书籍