例如，ResNet 的比例是 8.17。因为一年前它在所有提交论文中出现的比率是 1.044%（2016 年 3 月），开奖，但今年 3 月它出现的比例是 8.53，所以 8.53 除以 1.044 约等于 8.17。所以得出的结果是，过去一年所有的核心创新领域是 1) ResNets, 2) GANs, 3) Adam, 4) BatchNorm，在研究中多使用下这些模型。在研究兴趣方面，我们看到 1) 风格迁移，2) 深度强化学习，3) 神经机器翻译，以及 4) 图像生成。在架构上，热于使用 1) 全卷机网络 (FCN)，2) LSTMs/GRUs，3) Siamese 网络，以及 4) 编码器-解码器网络。

顶级但不热

相反的一面呢？过去一年有哪些词有较少的提交，但历史上有更高的比例？下面列出了一些：

我不太确定「fractal」指代什么，但更普遍的可能是贝叶斯非参数在被攻击。

结论

现在提交论文的主题应该围绕把全卷积编码器解码器 BatchNorm ResNet GAN（Fully Convolutional Encoder Decoder BatchNorm ResNet GAN）应用于风格迁移，用 Adam 进行优化。听起来也不那么不靠谱。

　　原文链接：https://medium.com/@karpathy/a-peek-at-trends-in-machine-learning-ab8a1085a106

　　本文为机器之心编译，转载请联系本公众号获得授权。

　　?------------------------------------------------

加入机器之心（全职记者/实习生）：[email protected]

投稿或寻求报道：[email protected]

广告&商务合作：[email protected]