日前，LightOn CEO 兼联合创始人 Igor Carron 在其博客上放出了其收集到的 2016/1207/180166.html">NIPS 2016 论文的实现（一共 22 个）。他写道：「在 Reddit 上，j2直播，peterkuharvarduk 决定编译所有来自 NIPS 2016 的可用实现，我很高兴他使用了『实现（ implementation）』这个词，因为这让我可以快速搜索到这些项目。」除了 peterkuharvarduk 的推荐，这里的项目还包括 Reddit 其他用户和 Carron 额外添加的一些新公布的实现。最终他还重点推荐了 GitXiv： 。另外，在本文后面还附带了机器之心关于 NIPS 2016 的文章列表，千万不要错过。

　　1. 使用快速权重关注最近的过去（Using Fast Weights to Attend to the Recent Past）

论文：https://arxiv.org/abs/1610.06258

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

　　2. 通过梯度下降来学习通过梯度下降的学习（Learning to learn by gradient descent by gradient descent）

论文：https://arxiv.org/abs/1606.04474

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

　　3. R-FCN：通过基于区域的全卷积网络的目标检测（R-FCN: Object Detection via Region-based Fully Convolutional Networks）

论文：https://arxiv.org/abs/1605.06409

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

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

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

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

　　5. 如何训练生成对抗网络（How to Train a GAN）

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

　　6. Phased LSTM：为长的或基于事件的序列加速循环网络训练（Phased LSTM: Accelerating Recurrent Network Training for Long or Event-based Sequences）

论文：https://arxiv.org/abs/1610.09513

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

　　7. 生成对抗式模仿学习（Generative Adversarial Imitation Learning）

论文：https://arxiv.org/abs/1606.03476

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

　　8. 对抗式多类分类：一个风险最小化的角度（Adversarial Multiclass Classification: A Risk Minimization Perspective）

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

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

　　9. 通过视频预测的用于物理交互的无监督学习（Unsupervised Learning for Physical Interaction through Video Prediction）

论文：https://arxiv.org/abs/1605.07157

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

　　10.权重规范化：一种加速深度神经网络训练的简单重新参数化（ Weight Normalization: A Simple Reparameterization to Accelerate Training of Deep Neural Networks）

论文：https://arxiv.org/abs/1602.07868

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

　　11. 全容量整体循环神经网络（Full-Capacity Unitary Recurrent Neural Networks）

论文：https://arxiv.org/abs/1611.00035

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

　　12. 带有随机层的序列神经模型（Sequential Neural Models with Stochastic Layers）

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

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

　　13. 带有快速局部化谱过滤的图上的卷积神经网络（Convolutional Neural Networks on Graphs with Fast Localized Spectral Filtering）

论文：https://arxiv.org/abs/1606.09375

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

　　14. Interpretable Distribution Features with Maximum Testing Power

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

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

　　15. 使用神经网络组成图模型，用于结构化表征和快速推理(Composing graphical models with neural networks for structured representations and fast inference )

论文：https://arxiv.org/abs/1603.06277

GitHub：https://github.com/mattjj/svae

　　16. 使用张量网络的监督学习（Supervised Learning with Tensor Networks）

论文：https://arxiv.org/abs/1605.05775

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

　　17. 使用贝叶斯条件密度估计的模拟模型的快速无ε推理（Fast ε-free Inference of Simulation Models with Bayesian Conditional Density Estimation）

论文：https://arxiv.org/abs/1605.06376

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

　　18. 用于概率程序的贝叶斯优化（Bayesian Optimization for Probabilistic Programs）

论文：~twgr/assets/pdf/rainforth2016BOPP.pdf

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

　　19. PVANet：用于实施目标检测的轻权重深度神经网络（PVANet: Lightweight Deep Neural Networks for Real-time Object Detection）

论文：https://arxiv.org/abs/1611.08588

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

　　20. 数据编程：快速创建大训练集（Data Programming: Creating Large Training Sets Quickly）

论文：https://arxiv.org/abs/1605.07723

代码： snorkel.stanford.edu

　　21. 用于架构学习的卷积神经结构（Convolutional Neural Fabrics for Architecture Learning）

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

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

　　22. 价值迭代网络（Value Iteration Networks）

论文：https://arxiv.org/abs/1602.02867

TensorFlow 实现：https://github.com/TheAbhiKumar/tensorflow-value-iteration-networks

原作者的 Theano 实现：https://github.com/avivt/VIN

　　机器之心 NIPS 2016 文章列表