日前，LightOn CEO 兼聯(lián)合創(chuàng)始人 Igor Carron 在其博客上放出了其收集到的 NIPS 2016 論文的實現(xiàn)（一共 22 個）。他寫道：「在 Reddit 上，peterkuharvarduk 決定編譯所有來自 NIPS 2016 的可用實現(xiàn)，我很高興他使用了『實現(xiàn)（ implementation）』這個詞，因為這讓我可以快速搜索到這些項目。」除了 peterkuharvarduk 的推薦，這里的項目還包括 Reddit 其他用戶和 Carron 額外添加的一些新公布的實現(xiàn)。最終他還重點推薦了 GitXiv：http://www.gitxiv.com 。另外，在本文后面還附帶了機(jī)器之心關(guān)于 NIPS 2016 的文章列表，千萬不要錯過。

　　1. 使用快速權(quán)重關(guān)注最近的過去（Using Fast Weights to Attend to the Recent Past）

　　論文：https://arxiv.org/abs/1610.06258

　　GitHub：https://github.com/ajarai/fast-weights

　　2. 通過梯度下降來學(xué)習(xí)通過梯度下降的學(xué)習(xí)（Learning to learn by gradient descent by gradient descent）

　　論文：https://arxiv.org/abs/1606.04474

　　GitHub：https://github.com/deepmind/learning-to-learn

　　3. R-FCN：通過基于區(qū)域的全卷積網(wǎng)絡(luò)的目標(biāo)檢測（R-FCN: Object Detection via Region-based Fully Convolutional Networks）

　　論文：https://arxiv.org/abs/1605.06409

　　GitHub：https://github.com/Orpine/py-R-FCN

　　4. 用于 k-均值的快速和可證明的 Good Seedings（Fast and Provably Good Seedings for k-Means）

　　論文：https://las.inf.ethz.ch/files/bachem16fast.pdf.

　　GitHub：https://github.com/obachem/kmc2

　　5. 如何訓(xùn)練生成對抗網(wǎng)絡(luò)（How to Train a GAN）

　　GitHub：https://github.com/soumith/ganhacks

　　6. Phased LSTM：為長的或基于事件的序列加速循環(huán)網(wǎng)絡(luò)訓(xùn)練（Phased LSTM: Accelerating Recurrent Network Training for Long or Event-based Sequences）

　　論文：https://arxiv.org/abs/1610.09513

　　GitHub:?https://github.com/dannyneil/public_plstm

　　7. 生成對抗式模仿學(xué)習(xí)（Generative Adversarial Imitation Learning）

　　論文：https://arxiv.org/abs/1606.03476

　　GitHub：https://github.com/openai/imitation

　　8. 對抗式多類分類：一個風(fēng)險最小化的角度（Adversarial Multiclass Classification: A Risk Minimization Perspective）

　　論文：https://www.cs.uic.edu/~rfathony/pdf/fathony2016adversarial.pdf

　　GitHub：https://github.com/rizalzaf/adversarial-multiclass

　　9. 通過視頻預(yù)測的用于物理交互的無監(jiān)督學(xué)習(xí)（Unsupervised Learning for Physical Interaction through Video Prediction）

　　論文：https://arxiv.org/abs/1605.07157

　　GitHub:?https://github.com/tensorflow/models/tree/master/video_prediction

　　10.權(quán)重規(guī)范化：一種加速深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練的簡單重新參數(shù)化（ Weight Normalization: A Simple Reparameterization to Accelerate Training of Deep Neural Networks）

　　論文：https://arxiv.org/abs/1602.07868

　　GitHub：https://github.com/openai/weightnorm

　　11. 全容量整體循環(huán)神經(jīng)網(wǎng)絡(luò)（Full-Capacity Unitary Recurrent Neural Networks）

　　論文：https://arxiv.org/abs/1611.00035

　　GitHub：https://github.com/stwisdom/urnn

　　12. 帶有隨機(jī)層的序列神經(jīng)模型（Sequential Neural Models with Stochastic Layers）

　　論文：https://arxiv.org/pdf/1605.07571.pdf

　　GitHub：https://github.com/marcofraccaro/srnn

　　13. 帶有快速局部化譜過濾的圖上的卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks on Graphs with Fast Localized Spectral Filtering）

　　論文：https://arxiv.org/abs/1606.09375

　　GitHub：https://github.com/mdeff/cnn_graph

　　14. Interpretable Distribution Features with Maximum Testing Power

　　論文：https://papers.nips.cc/paper/6148-interpretable-distribution-features-with-maximum-testing-power.pdf

　　GitHub：https://github.com/wittawatj/interpretable-test/

　　15. 使用神經(jīng)網(wǎng)絡(luò)組成圖模型，用于結(jié)構(gòu)化表征和快速推理(Composing graphical models with neural networks for structured representations and fast inference )

　　論文：https://arxiv.org/abs/1603.06277

　　GitHub：https://github.com/mattjj/svae

　　16. 使用張量網(wǎng)絡(luò)的監(jiān)督學(xué)習(xí)（Supervised Learning with Tensor Networks）

　　論文：https://arxiv.org/abs/1605.05775

　　GitHub：https://github.com/emstoudenmire/TNML

　　17. 使用貝葉斯條件密度估計的模擬模型的快速無ε推理（Fast ε-free Inference of Simulation Models with Bayesian Conditional Density Estimation）

　　論文：https://arxiv.org/abs/1605.06376

　　GitHub：https://github.com/gpapamak/epsilon_free_inference

　　18. 用于概率程序的貝葉斯優(yōu)化（Bayesian Optimization for Probabilistic Programs）

　　論文：http://www.robots.ox.ac.uk/~twgr/assets/pdf/rainforth2016BOPP.pdf

　　GitHub：https://github.com/probprog/bopp

　　19. PVANet：用于實施目標(biāo)檢測的輕權(quán)重深度神經(jīng)網(wǎng)絡(luò)（PVANet: Lightweight Deep Neural Networks for Real-time Object Detection）

　　論文：https://arxiv.org/abs/1611.08588

　　GitHub：https://github.com/sanghoon/pva-faster-rcnn

　　20. 數(shù)據(jù)編程：快速創(chuàng)建大訓(xùn)練集（Data Programming: Creating Large Training Sets Quickly）

　　論文：https://arxiv.org/abs/1605.07723

　　代碼：?snorkel.stanford.edu

　　21. 用于架構(gòu)學(xué)習(xí)的卷積神經(jīng)結(jié)構(gòu)（Convolutional Neural Fabrics for Architecture Learning）

　　論文：https://arxiv.org/pdf/1606.02492.pdf

　　GitHub：https://github.com/shreyassaxena/convolutional-neural-fabrics

　　22. 價值迭代網(wǎng)絡(luò)（Value Iteration Networks）

　　論文：https://arxiv.org/abs/1602.02867

　　TensorFlow 實現(xiàn)：https://github.com/TheAbhiKumar/tensorflow-value-iteration-networks

? ? ??原作者的 Theano 實現(xiàn)：https://github.com/avivt/VIN

總結(jié)

以上是生活随笔為你收集整理的NIPS 2016上22篇论文的实现汇集的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。