携手创作，一起成长！这是我参与「日新计划 8 月更文挑战」的第17天，点击检查活动概况

ShowMeAI日报系列全新晋级！掩盖AI人工智能 东西&结构 | 项目&代码 | 博文&共享 | 数据&资源 | 研讨&论文 等方向。点击检查 历史文章列表，在大众号内订阅论题 #ShowMeAI资讯日报，可接纳每日最新推送。点击 专题合辑&电子月刊 快速阅读各专题全集。

东西&结构

『MedicalSeg』简略易运用的全流程 3D 医学图画切割东西包

github.com/PaddleCV-SI…

MedicalSeg 是一个简略易用的全流程 3D 医学图画切割东西包，支撑从数据预处理、练习评价、再到模型布置的全套切割流程。如图所示是基于 MedicalSeg 在 COVID-19 CT scans 和 MRISpineSeg 上练习之后的可视化成果。

『EasyRec』深度学习引荐算法结构，支撑大规模练习、评价、导出和布置

github.com/alibaba/Eas…

EasyRec 是阿里巴巴开源的针对引荐使命的东西库，完成了引荐进程中召回（匹配）、排序（评分）和多使命学习等先进的深度学习模型，并经过简略的配置和超参数调整（HPO）提高了生成高功用模型的功率：

• 召回：DSSM / MIND / DropoutNet / CoMetricLearningI2I
• 排序：W&D / DeepFM / MultiTower / DCN / DIN / BST
• 多目标优化：MMoE / ESMM / DBMTL / PLE

『Nitro』无需前端经历，用 Python 写 web 运用的结构

github.com/h2oai/nitro

nitro.h2o.ai/

无需 Javascript、HTML 或 CSS，以 10 倍的速度创立运用程序。

『Frontend (FE)』ImageNet 标示东西(前端)

github.com/naver-ai/im…

ImageNet 是核算机视觉范畴的标志性练习和基准测验数据集，不仅为核算机视觉数据集树立了标准，并且敞开了大规模标示的时代。 ImageNet 注释的开源前端 (FE) 模块具没有开源，本 Repo 是 FE 原始界面的复制品，或许说是为ImageNetV2前端复制了 FE 接口。

『feder』神经网络可视化东西

github.com/zilliztech/…

Feder 是一个用于了解嵌入向量的 JavaScript 东西，能够将 faiss、hnswlib 和其他 anns 索引文件可视化，能够更好地了解 anns 的工作原理以及什么是高维向量嵌入。在 IPython 环境下，Feder 支撑用户直接生成相应的可视化；在其他环境下，Feder 支撑将可视化输出为 html 文件，用户能够经过启用 Web 服务的阅读器翻开该文件。

博文&共享

『在生产中布置机器学习模型的考虑要素』Considerations for Deploying Machine Learning Models in Production

towardsdatascience.com/considerati…

数据科学或机器学习研讨人员或从业者遍及抱怨的是，将模型投入生产很困难。 为避免模型无法投入生产，本文提出了5个考虑要素，并为每个要素列出了开源解决方案（或来自供货商的托管解决方案）。

• 考虑要素 #1：运用笔记本电脑进行开发是最佳实践
• 考虑要素 #2：考虑运用模型生命周期开发和管理渠道
• 考虑要素 #3：将特征存储视为模型开发进程的一部分
• 考虑要素 # 4：可扩展模型服务结构需要考虑七个要害要求
• 注意事项 #5：关于模型的可调查性

数据&资源

『ADRepository』现实国际异常检测数据集

github.com/GuansongPan…

『Climate Change Data』与气候变化相关的数据集API和开源项目列表

github.com/KKulma/clim…

研讨&论文

大众号回复要害字日报，免费获取整理好的论文合辑。

科研进展

• 2022.07.22 『机器学习』 OpenXAI: Towards a Transparent Evaluation of Model Explanations
• 2022.07.23 『核算机视觉』 When Counting Meets HMER: Counting-Aware Network for Handwritten Mathematical Expression Recognition
• 2022.07.19 『优化』 Theseus: A Library for Differentiable Nonlinear Optimization
• 2022.07.07 『优化』 HierarchicalForecast: A Reference Framework for Hierarchical Forecasting in Python

⚡ 论文：OpenXAI: Towards a Transparent Evaluation of Model Explanations

论文标题：OpenXAI: Towards a Transparent Evaluation of Model Explanations

论文时刻：22 Jun 2022

所属范畴：机器学习

对应使命：模型可解说

论文地址：arxiv.org/abs/2206.11…

代码完成：github.com/ai4life-gro…

论文作者：Chirag Agarwal, Eshika Saxena, Satyapriya Krishna, Martin Pawelczyk, Nari Johnson, Isha Puri, Marinka Zitnik, Himabindu Lakkaraju

论文简介：OpenXAI comprises of the following key components: (i) a flexible synthetic data generator and a collection of diverse real-world datasets, pre-trained models, and state-of-the-art feature attribution methods, (ii) open-source implementations of twenty-two quantitative metrics for evaluating faithfulness, stability (robustness), and fairness of explanation methods, and (iii) the first ever public XAI leaderboards to benchmark explanations./OpenXAI由以下要害部分组成。(i)一个灵敏的组成数据生成器和一个不同的实在国际数据集、预练习的模型和最先进的特征归属办法的调集，(ii)22个定量目标的开源完成，用于评价解说办法的忠实度、稳定性（稳健性）和公平性，以及(iii)第一个揭露的XAI排行榜，用于衡量解说的基准。

论文摘要：虽然最近的文献中提出了几种类型的过后解说办法（如特征归属办法），但几乎没有人以有用和通明的方式对这些办法进行系统的基准测验。在此，咱们介绍OpenXAI，这是一个全面的、可扩展的开源结构，用于评价和基准测验过后解说办法。OpenXAI由以下要害部分组成。(i)一个灵敏的组成数据生成器和一个不同的实在国际数据集、预练习的模型和最先进的特征归属办法的调集，(ii)22个定量目标的开源完成，用于评价解说办法的忠实度、稳定性（稳健性）和公平性，以及(iii)第一个揭露的XAI排行榜，用于对解说进行基准测验。OpenXAI很容易扩展，因为用户能够很容易地评价自定义的解说办法，并将其归入咱们的排行榜。总的来说，OpenXAI供给了一个主动化的端到端管道，不仅简化和标准了过后解说办法的评价，并且还促进了这些办法基准测验的通明度和可重复性。OpenXAI的数据集和数据加载器、最先进的解说办法和评价目标的完成，以及排行榜都能够在 open-xai.github.io/ 检查。

⚡ 论文：When Counting Meets HMER: Counting-Aware Network for Handwritten Mathematical Expression Recognition

论文标题：When Counting Meets HMER: Counting-Aware Network for Handwritten Mathematical Expression Recognition

论文时刻：23 Jul 2022

所属范畴：核算机视觉

对应使命：手写辨认

论文地址：arxiv.org/abs/2207.11…

代码完成：github.com/lbh1024/can

论文作者：Bohan Li, Ye Yuan, Dingkang Liang, Xiao Liu, Zhilong Ji, Jinfeng Bai, Wenyu Liu, Xiang Bai

论文简介：Recently, most handwritten mathematical expression recognition (HMER) methods adopt the encoder-decoder networks, which directly predict the markup sequences from formula images with the attention mechanism./最近，大多数手写数学表达辨认（HMER）办法都采用了编码器-解码器网络，经过注意力机制直接猜测公式图画中的标记序列。

论文摘要：近来，大多数手写数学表达辨认（HMER）办法都采用了编码器-解码器网络，该网络经过注意力机制直接猜测公式图画中的标记序列。然而，这类办法或许无法精确读取结构杂乱的公式或生成长的标记序列，因为因为书写方式或空间布局的巨大差异，注意力的成果往往是不精确的。为了缓解这个问题，咱们提出了一个非常规的HMER网络，名为计数感知网络（CAN），它一起优化了两个使命。HMER和符号计数。具体来说，咱们设计了一个弱监督的计数模块，能够在没有符号级方位注释的情况下猜测每个符号类的数量，然后将其插入一个典型的基于注意力的HMER编码器-解码器模型。在HMER的基准数据集上的实验验证了联合优化和计数成果都有利于纠正编码器-解码器模型的猜测误差，并且CAN的功用一向优于最先进的办法。特别是，与HMER的编码器-解码器模型相比，所提出的计数模块所形成的额外时刻本钱是微不足道的。源代码可在 github.com/LBH1024/CAN 获取。

⚡ 论文：Theseus: A Library for Differentiable Nonlinear Optimization

论文标题：Theseus: A Library for Differentiable Nonlinear Optimization

论文时刻：19 Jul 2022

所属范畴：优化

对应使命：优化

论文地址：arxiv.org/abs/2207.09…

代码完成：github.com/facebookres…

论文作者：Luis Pineda, Taosha Fan, Maurizio Monge, Shobha Venkataraman, Paloma Sodhi, Ricky Chen, Joseph Ortiz, Daniel DeTone, Austin Wang, Stuart Anderson, Jing Dong, Brandon Amos, Mustafa Mukadam

论文简介：We present Theseus, an efficient application-agnostic open source library for differentiable nonlinear least squares (DNLS) optimization built on PyTorch, providing a common framework for end-to-end structured learning in robotics and vision./咱们提出了Theseus，这是一个高效的、与运用无关的、建立在PyTorch上的可微分非线性最小二乘法（DNLS）优化的开源库，为机器人和视觉范畴的端到端结构化学习供给了一个通用结构。

论文摘要：咱们介绍了Theseus，这是一个高效的、与运用无关的、建立在PyTorch上的可微分非线性最小二乘法（DNLS）优化的开源库，为机器人学和视觉范畴的端到端结构化学习供给了一个通用结构。现有的DNLS完成是特定的运用，并不总是包含许多对功率很重要的成分。Theseus与运用无关，正如咱们用几个比如阐明的那样，这些运用是用相同的底层可微分组件构建的，如二阶优化器、标准本钱函数和李群。为了提高功率，Theseus包含了对稀疏求解器、主动矢量化、批处理、GPU加快以及隐式微分和直接损失最小化的梯度核算的支撑。咱们在一组运用中做了广泛的功用评价，证明当这些功用被归入时，功率有了明显的提高，可扩展性也更好。项目页面：sites.google.com/view/theseu…

⚡ 论文：HierarchicalForecast: A Reference Framework for Hierarchical Forecasting in Python

论文标题：HierarchicalForecast: A Reference Framework for Hierarchical Forecasting in Python

论文时刻：7 Jul 2022

所属范畴：推理

对应使命：Decision Making，Time Series，决议计划，时刻序列

论文地址：arxiv.org/abs/2207.03…

代码完成：github.com/nixtla/hier…

论文作者：Kin G. Olivares, Federico Garza, David Luo, Cristian Chall, Max Mergenthaler, Artur Dubrawski

论文简介：Large collections of time series data are commonly organized into cross-sectional structures with different levels of aggregation; examples include product and geographical groupings./大量的时刻序列数据通常被组织成具有不同层次的横断面结构，比如包含产品和地舆分组。

论文摘要：大量的时刻序列数据集通常被组织成具有不同层次聚合的横断面结构；比如包含产品和地舆分组。关于这样的数据集，连贯的决议计划和规划的一个必要条件是，分化序列的猜测与聚合序列的猜测彻底相加，这促使人们创立了新的分层猜测算法。机器学习界对横断面分层猜测系统的爱好日益浓厚，这阐明咱们正处于一个有利的时刻，以保证科学工作建立在健全的基础上。为此，咱们提出了HierarchicalForecast库，它包含了预处理的揭露可用数据集、评价目标和一套编译的统计基线模型。咱们基于Python的结构旨在弥补统计学、计量经济学建模和机器学习猜测研讨之间的距离。代码和文档可在 github.com/Nixtla/hier… 检查。

咱们是 ShowMeAI，致力于传播AI优质内容，共享职业解决方案，用常识加快每一次技能成长！点击检查 历史文章列表，在大众号内订阅论题 #ShowMeAI资讯日报，可接纳每日最新推送。点击 专题合辑&电子月刊 快速阅读各专题全集。

• 作者：韩信子@ShowMeAI
• 历史文章列表
• 专题合辑&电子月刊
• 声明：版权所有，转载请联络渠道与作者并注明出处
• 欢迎回复，拜托点赞，留言引荐中有价值的文章、东西或主张，咱们都会尽快回复哒~