chat加什么

　　#ChatGPT能取代我的工作吗##体验了一把ChatGPT眼中的内娱# 人工智能实验室OpenAI发布的对话式大型语言模型ChatGPT，是一款可以自动生成相应文字内容的计算机应用，就像此前的AI绘画一样，目前正在风靡社交圈，并引发了一波一波的文字工作者可能要失业的言论。所以我们也进行了一些尝试――

　　更多内容，#娱理工作室#微信端已更新，扫码即可了解~

　　

人工智能开源框架和库 小米人工智能开源框架

人工智能开源项目,人工智能开源平台的优点,人工智能开源硬件,人工智能开源软件

　　目录

　　一、机器学习常用的开源框架和库1. Scikit-learn2. Mahout3. MLlib / spark.ml4. 其他二、深度学习常用的开源框架和库1. TensorFlow2. Keras3. PyTorch4. Caffe5. 其他三、强化学习常用的开源框架和库1. OpenAI Gym2. OpenAI Baseline3. RLlib4. Horizon5. 天授：最近了解的，应该比较新吧6. 其他四、图神经网络常用的开源框架和库1. 四大图神经网络框架2. CogDL ：最近了解的，应该比较新吧3. Graph-Learn（原 AliGraph ）：一个工业级的图神经网络平台4. 其他五、知识图谱常用的开源框架和库1. 开源的知识库 2. 开源的构建工具3. DGL-KE：亚马逊提出的知识图谱嵌入表示框架4. 其他六、智能推荐常用的开源框架和库1. DeepMatch：用于广告和推荐的深度召回匹配算法库2. 其他

　　【说在前面】本人博客新手一枚，象牙塔的老白，职业场的小白。以下内容仅为个人见解，欢迎批评指正，不喜勿喷！[认真看图][认真看图]

　　【补充说明】本文主要讨论人工智能领域中常用的支持 Python 编程语言的开源框架和库，因此全面性肯定有限！

　　一、机器学习常用的开源框架和库

　　1. Scikit-learn

　　作为专门面向机器学习的 Python 开源框架，Scikit-learn 内部实现了多种机器学习算法，容易安装和使用，样例丰富。

　　2. Mahout

　　在大数据分布式框架 Hadoop 下使用，包含了机器学习中常用的算法（含推荐算法）。

　　3. MLlib / spark.ml

　　在大数据分布式框架 Spark 下使用，同样包含了机器学习中常用的算法，可采用 Java / Sacala / Python / R 语言作为编程语言。

　　4. 其他

　　例如针对计算机视觉的 SimpleCV、针对自然语言处理的 NLTK 等，这里不再拓展。

　　二、深度学习常用的开源框架和库

　　1. TensorFlow

　　由 Google Brain 团队开发，能够实现各种深度神经网络的搭建。为初学者和专家提供了各种 API，以便对桌面、移动终端、Web和云进行开发。但是，计算图必须构建为静态图，这让很多计算变得难以实现，尤其是序列预测中经常使用的 beam search。

　　2. Keras

　　由 Python 编写的高级神经网络 API，相当于 Tensorflow、Theano、 CNTK 的上层接口。强调极简主义，降低了编程和阅读别人代码时的理解开销， 目前封装有全连接网络、CNN、RNN 和 LSTM 等算法。但是，封装得太高级，细节很难修改，无法直接使用多 GPU。

　　3. PyTorch

　　由 Facebook 团队基于 Torch 开发的深度学习框架。与 TensorFlow 不同的是，PyTorch 是基于动态图的，目前也非常火热。

　　4. Caffe

　　在 TensorFlow 出现之前，一直是深度学习领域 Github star 最多的项目。Caffe 的优势在于容易上手（网络结构都是以配置文件形式定义，不需要用代码设计网络）、训练速度快（组件模块化，可以方便的拓展到新的模型和学习任务上）。但是，Caffe 不好安装，且最开始设计时的目标只针对于图像，因此对 CNN 的支持非常好（例如 AlexNet、VGG、Inception 等），但是对 RNN、LSTM 等的支持不是特别充分。

　　5. 其他

　　例如百度提出的深度学习框架 PaddlePaddle、华为最新开源的深度学习框架 MindSpore、阿里的X-Deep Learning 等，这里不再拓展。

　　三、强化学习常用的开源框架和库

　　1. OpenAI Gym

　　提供了非常多的虚拟环境，具体强化学习算法的代码需要自己来写，可以很好验证强化学习算法，众多强化学习环境都为其提供接口。

　　2. OpenAI Baseline

　　基于 Tensorflow 和 OpenAI Gym 开发的，封装了许多强化学习算法（例如 DQN / PPO / TRPO / DDPG 等）。但是，代码规范性不好。

　　3. RLlib

　　支持 TensorFlow 和 PyTorch，可通过简单的 Python API 使用，目前附带了许多流行的RL算法。

　　4. Horizon

　　Facebook基于 PyTorch、Caffe 和 Spark 构建的强化学习框架，是首个使用应用强化学习在大规模生产环境中优化系统的端到端开源平台。

　　5. 天授：最近了解的，应该比较新吧

　　清华大学人工智能研究院自研的深度强化学习算法平台，支持 TensorFlow 和 PyTorch。可以完整支持 PG、DQN、DDQN、A2C、DDPG、PPO、TD3、SAC 等主流强化学习算法。对比既有主流强化学习平台，大佬给出了天授的性能对比图：

　　

　　未来大佬团队将从三个维度拓展“天授”平台，算法层面将更加全面支持地支持主流强化学习算法（包括 model-based RL, imitation learning 等），任务层面将进一步支持包括 Atari、VizDoom 等复杂任务，性能层面将进一步提升平台在模型性能、训练速度、鲁棒性等方面的核心指标，更好的为学术界服务。

　　6. 其他

　　例如知乎有人提到的 tf-agents（与工业紧密连接）、tensorlayer、百度 PaddlePaddle 发布的 PARL 等，这里不再拓展。

　　四、图神经网络常用的开源框架和库

　　1. 四大图神经网络框架

　　deep graph library (DGL)：支持 pytorch、tensorflowpytorch geometric (PyG)：基于 pytorchant graph machine learning system：蚂蚁金服团队推出的大规模图机器学习系统tf_geometric：借鉴 pytorch geometric，创建了 tensorflow 版本

　　2. CogDL ：最近了解的，应该比较新吧

　　清华大学知识工程研究室推出了一个大规模图表示学习工具包 CogDL，可以让研究者和开发者更加方便地训练和对比用于节点分类、链路预测以及其他图任务的基准或定制模型。该工具包采用 PyTorch 实现，集成了Deepwalk、LINE、node2vec、GraRep、NetMF、NetSMF、ProNE 等非图神经网络和GCN、GAT、GraphSage、DrGCN、NSGCN、GraphSGAN 等图神经网络模型基准模型的实现。

　　与其他图表示学习工具包相比，CogDL 具有以下特点：

　　稀疏性：在具有数千万节点的大规模网络上实现快速网络嵌入。任意性：能够处理属性化、多路和异构等不同图结构的网络。并行处理：在多个 GPU 上实现不同种子和模型的并行训练并自动输出结果表格。可扩展性：轻松添加新的数据集、模型和任务并在所有现有的模型/数据集上测试。

　　3. Graph-Learn（原 AliGraph ）：一个工业级的图神经网络平台

　　阿里巴巴提出的 AliGraph 涵盖了从原始图数据到 GNN 应用的整体链路。根据阿里巴巴的介绍：

　　系统层面：

　　数据种类：支持同构图、异构图、属性图，有向图、无向图，可方便与任意分布式文件系统对接。数据规模：支持千亿级边、十亿级顶点的超大规模图（原始存储TB级）。算子种类：支持几十种可与深度学习相结合的图查询、采样算子，支持向量检索，支持算子按需自定义。性能指标：支持分钟级超大规模图构建，毫秒级多跳异构图采样，毫秒级大规模向量检索。用户接口：纯 Python 接口，与 TensorFlow 构成一体化 IDE，开发成本相比一般TF模型无异。

　　算法层面：

　　已支持业界主流的 Graph Embedding 算法，包括：DeepWalk、Node2Vec、GraphSAGE、GATNE等。

　　4. 其他

　　图神经网络研究者和工业界在 Github 上开源了很多算法的具体实现及其框架，包括GCN、GAT、Graph Nets框架等，这里不再拓展。

　　五、知识图谱常用的开源框架和库

　　1. 开源的知识库

　　主要包括WikiData、DBPedia、WordNet、YAGO、ConceptGraph、BabelNet、CN-DBPeidia、OpenKG 等，这里不再拓展。

　　2. 开源的构建工具

　　斯坦福大学医学院生物信息研究中心提出的Protege是基于Java语言开发的本体编辑和知识获取软件。Protege提供本体概念类、关系、属性和实例的构建，不基于具体的本体描述语言，因此用户可以在概念层次上构建领域本体模型。除了Protege，还有其他应用于知识图谱构建的开源软件，而且完整的知识图谱构建还包括知识的存储、知识融合等。我想后续单独写一个专题来介绍知识图谱的构建问题，这里不再拓展。

　　3. DGL-KE：亚马逊提出的知识图谱嵌入表示框架

　　亚马逊 AI 团队继 DGL 之后，又开源了一款专门针对大规模知识图谱嵌入表示的新训练框架 DGL-KE，旨在能让研究人员和工业界用户方便、快速地在大规模知识图谱数据集上进行机器学习训练任务。相比于已有的开源框架，DGL-KE 的亮点如下：

　　支持各种主流知识图谱表示学习算法，包括 TransE、ComplEx、DistMult、TransR、RESCAL、RotatE 等。已有开源框架中唯一支持多核 CPU，多卡 GPU，CPU-GPU 混合训练，以及分布式训练的知识图谱嵌入表示框架。简单易用，用户无需编写代码，直接将知识图谱数据作为输入即可。高性能且可扩展。

　　4. 其他

　　知识图谱研究者和工业界在 Github 上应该开源了很多方法的具体实现及其框架，博主有看到再分享，这里不再拓展。

　　六、智能推荐常用的开源框架和库

　　1. DeepMatch：用于广告和推荐的深度召回匹配算法库

　　提供了若干主流的深度召回匹配算法的实现，并支持快速导出用户和物品向量进行ANN检索。非常适合同学们进行快速实验和学习。

　　

　　2. 其他

　　智能推荐研究者和工业界在 Github 上应该开源了很多方法的具体实现及其框架，博主有看到再分享，这里不再拓展。

　　如果你对智能推荐感兴趣，欢迎先浏览我的另几篇随笔：智能推荐算法演变及学习笔记、CTR预估模型演变及学习笔记 、基于图模型的智能推荐算法学习笔记（含知识图谱/图神经网络，不止于智能推荐）

　　如果您对数据挖掘感兴趣，欢迎浏览我的另几篇博客：数据挖掘比赛/项目全流程介绍、从中国农业银行“雅典娜杯”数据挖掘大赛看金融行业数据分析与建模方法

　　如果您对人工智能算法感兴趣，欢迎浏览我的另一篇博客：人工智能新手入门学习路线和学习资源合集（含AI综述/python/机器学习/深度学习/tensorflow）

　　如果你是计算机专业的应届毕业生，欢迎浏览我的另外一篇博客：如果你是一个计算机领域的应届生，你如何准备求职面试？

　　如果你是计算机专业的本科生，欢迎浏览我的另外一篇博客：如果你是一个计算机领域的本科生，你可以选择学习什么？

　　如果你是计算机专业的研究生，欢迎浏览我的另外一篇博客：如果你是一个计算机领域的研究生，你可以选择学习什么？

　　如果你对金融科技感兴趣，欢迎浏览我的另一篇博客：如果你想了解金融科技，不妨先了解金融科技有哪些可能？

　　之后博主将持续分享各大算法的学习思路和学习笔记：hello world: 我的博客写作思路

　　作者：FinTecher

　　出处：https://www.cnblogs.com/zhengzhicong/

正面硬刚ai阵容 游戏的下一个突破点很可能是ai

正面硬刚奥密克戎,正面硬刚的成语,正面硬刚的图片,什么叫正面刚

自去年的 DOTA2 全球顶级赛事 TI8 上，OpenAI 旗下的游戏人工智能「OpenAI Five」被中国五位前职业选手完败。就在上个周末，OpenAI 又卷土重来，这一次它们对战的是 TI8 冠军队伍 OG 战队，然而这一次，人类却一败涂地。

这下就有点尬尴了，如果说之前人类下棋被 AI 打败是因为下棋的算法和逻辑并不会太过复杂，AI 比较容易掌握。那么像 DOTA2 这种 MOBA 类游戏，不仅考验操作，更加需要意识的游戏被 AI 完败那就真的有点细思恐极了，因为对于不具备“人性”的 AI 来说，单位的意识、战术的变化、随机应变的战场环境要理解起来就有点困难了。

OG 战队作为去年的冠军队伍，打破了 CN DOTA 偶数年夺冠的“玄学规律”，其实力是毋庸置疑的，但这一次的“复仇”足以说明相比去年，「OpenAI Five」又有了明显的进步。

OpenAI 是一家人工智能公司的研究项目，「OpenAI Five」是 2018 年 6 月被首次推出并开始挑战 DOTA2 5v5 团战的系统。「OpenAI Five」的打法总体十分激进，常常以迅雷不及掩耳之势击溃对手，让观众们为此而惊叹。

在去年的 DOTA 2 赛事 TI8 上，「OpenAI Five」以 0:2 的比分完败人类选手，其中的第二场比赛对战的是来自中国的五位前职业选手——中国 DOTA2 圈元老级人物：Burning（徐志雷）、Ferrari.430（骆非池）、xiao8（张宁）、sansheng（王兆辉）、rOtk（白帆）。

Burning（徐志雷）

相信熟悉 DOTA2 的玩家对这几个名字并不陌生，在经过 45 分钟的激战过后，不出所料，人类打爆遗迹，获得胜利。说是激战，但是看过完整比赛的观众一定会觉得，人类在戏耍 AI。

没错，AI 在前期相当强势，操作上也毋庸置疑，对战时进退掌握的时机以及血量的把控远胜于人类，所以一度人头数领先。但是越往后越会发现，AI 的经济被人类拉开，最后双方经济差距达到了 1W 左右，在如此大的经济差之下，AI 也放弃了挣扎。

可以明显看出，在全局观和高层次的策略上，「OpenAI Five」明显表现的不够好。因此在暴露了很多问题之后，证明人工智能在 5v5 的配合上依然略逊于职业玩家。

但是！AI 的练习强度可不是人类可以媲美的，所谓勤能补拙，「OpenAI Five」在平时通过 256 块 GPU、12.8 万颗 CPU 核心使用近端策略优化（Proximal Policy Optimization）方法进行训练。通俗的讲，1 天相当于人类训练 180 年，算一下距离上次比赛已经过去 200+ 天了，也就是说这一次的 AI 对手已经训练了 4.5W 年。

简直逆天！不过人类方面也不要灰心，且不说这一次的比赛限制很多，比如 117 位英雄只能选择 17 位，且无幻象，无召唤物。对于人类战队来说，肯定会有一些熟悉的英雄和战队特有的体系阵容，在这些条件都不具备的情况下，就像 5 个路人排在了一起，很难有好的发挥，最终以两场完败。

但是不得不承认，「OpenAI Five」确实令人刮目相看，也许在未来的某一天，一个 AI DOTA2 大神就会诞生，真正能做到和人类选手一样的大局观，甚至还有反人类的操作，难以想象。