自Open AI的成立把AI平台的开源推向高潮后，开奖，Google，Facebook，微软，Twitter等公司也“半推半就” 地踏上了自家平台的开源之路，以此来吸引学术界, 工业界的研究人员，让他们更多地分享自己的研究成果。不管这些巨头的所为（公开分享软件和硬件设计），是为了加速人工智能行业的整体发展进度的初心，还是出于应对竞争对手的被迫之举，对于那些迷恋AI的人来说，都是一件好事。

　　就像你正对AI一筹莫展的时候，这些开源平台不由自主地就跳入了你的眼帘。

　　▎手把手教你玩转谷歌TensorFlow

　　为什么一开始选择Tensorflow作为首选平台？

　　最开始对于选取何种度学习平台并不确定，atv，而且那时Tensorflow还尚未问世。当时的考虑主要是该平台的成熟程度，支持的编程语言，GPU的支持和效率，搭建神经网络的使用的方便程度，上手难易，平台的后续发展，开发的生态环境，平台的效率等因素。尽管我们收集了一些评比资料，要在诸多因素的权衡之中做出选择并非易事，而且逐个去试也不现实。不久之后，Tensorflow从Google开源，我们毫不犹豫地选定了它。

　　其一，TF有我们要求的所有功能（C++/Python语言支持，GPU，等）。更重要的是我们相信由Google推出的平台会很快为大家接受并迅速形成对应的开发生态圈和活跃的后续更新发展。后来的事实也证实了我们的料想。下面表格比较了几种流行的平台，数据来源于今年二月份在arXiv发布的论文。

　　点击阅读全文。

　　▎MIT最新发布编程语言Milk，加速大数据时代并行运算

　　本周MIT最新发布新编程语言Milk，新的程序语言在大数据方面能实现比现有语言快四倍的处理速度。

　　本周在国际并行体系结构和编译技术会议（International Conference on Parallel Architectures and Compilation Techniques）上，来自麻省理工学院计算机科学与人工智能实验室（CSAIL）的研究人员发布了一种新的编程语言——Milk，它能让应用程序开发者在处理大数据集里的离散数据点问题中更有效率地管理内存。

　　通过测试几种通用的算法，使用新语言Milk编写的程序实现了比现有编程语言快4倍的速度。但是研究者相信通过更进一步的研究可以实现更好地结果。

　　电气工程和计算机科学教授Saman Amarasinghe 说，当下大数据集给已有的内存管理技术带来问题的原因不仅在于因为它们的规模巨大，更多的是因为它们是稀疏的（sparse）。也就是说，问题解决方案的规模并不一定是与问题的规模成正比增加。

　　点击阅读全文。

　　▎OpenAI 教你如何构建深度学习研究的基础设施

　　OpenAI研究工程师Vicki Cheung, Jonas Schneider , Ilya Sutskever, and Greg Brockman在本文中分享了从事Deep Learning研究工作所需要的基础设施（软件、硬件、配置和编制），举例说明如何运用开源Kubernetes-ec2-autoscaler自动扩展深度学习研究中的网络模型，将有助于广大深度学习研究爱好者构建自己的深度学习基础设施。

　　深度学习是一门实证科学，一个研究团队的基础设施建设将对未来的研究工作产生重大影响。所幸，当今的开源生态系统能够使任何人具备构建更为完善的深度学习基础设施的能力。

　　在这篇文章中，我们将为大家介绍深度学习研究通常是如何进行的，描述我们为了支持深度学习研究所选择基础设施，和开源Kubernetes-ec2-autoscaler，一种用于Kubernetes的批次优化扩展管理器。我们希望，这篇文章有助于你构建自己的深度学习基础设施。

　　点击阅读全文。

　　▎Twitter开源基于Lua/Torch的强化学习框架torch-twrl

　　Torch诞生已经有十年之久，但是真正起势得益于去年Facebook开源了大量Torch的深度学习模块和扩展。Torch另外一个特殊之处是采用了不怎么流行的编程语言Lua（该语言曾被用来开发视频游戏）。而今天，

　　增强学习算法（智能体）的目标一直是通过与任务（环境）的互动，来学会执行复杂的、新颖的任务。为了开发有效的算法，快速地迭代和测试是至关重要的，torch-twrl 如期开放。

　　借鉴其他的增强学习框架，torch-twrl 旨在提供：

　　在Lua/Torch 中，拥有最小函数依赖的增强学习框架；

　　定义清晰、模块化的代码（来促进快速开发）；

　　与Open AI 的增强学习基准框架Gym 无缝对接。

　　点击阅读原文。

　　▎嫌上面不过瘾？ 15款开源人工智能软件挨个数，哪一款是你的菜？