摘要：的這項研究，總共生成了篇深度學(xué)習(xí)論文的和代碼，還創(chuàng)建了一個網(wǎng)站，供同行們眾包編輯這些代碼。來自印度研究院。目前是印度研究院的實習(xí)生。

深度學(xué)習(xí)的論文越來越多了~

多到什么程度？Google scholar的數(shù)據(jù)顯示，2016年以來，人工智能領(lǐng)域新增的論文已經(jīng)超過3.5萬篇。arXiv上，AI相關(guān)的論文每天都不下百篇。

剛剛結(jié)束不久的計算機視覺會議ICCV上，發(fā)表了621篇論文；2018年的ICLR，有1004篇論文正在匿名開放評審；NIPS 2017共收到3240篇論文投稿。

研究成果極大豐富了，但離應(yīng)用到產(chǎn)品中，還差一大步：把論文轉(zhuǎn)化成代碼。畢竟，作者順便提供源碼的是少數(shù)。

怎么辦？

IBM印度研究院最近公布了一項新研究：DLPaper2Code，顧名思義，這個程序能夠用深度學(xué)習(xí)技術(shù)，將論文轉(zhuǎn)化成代碼。

論文轉(zhuǎn)代碼的過程

這么神奇？！該不是看到一篇假研究？

坦白講，相關(guān)論文DLPaper2Code: Auto-generation of Code from Deep Learning Research Papers已經(jīng)被AAAI 2018接收為會議論文。

AAAI是人工智能頂會之一，明年就是第32屆了，2月2-7日在美國路易斯安那州的新奧爾良召開。百度、京東是大會的黃金贊助商。

深度學(xué)習(xí)論文自動轉(zhuǎn)代碼

這篇論文中指出，由于大部分深度學(xué)習(xí)論文都會用流程圖來表示神經(jīng)網(wǎng)絡(luò)模型的設(shè)計模式，因此，在論文轉(zhuǎn)換成代碼的過程中，DLPaper2Code首先提取、理解論文中描述的深度學(xué)習(xí)設(shè)計流程圖和表格，將它們轉(zhuǎn)化成抽象的計算圖。

然后，它會把抽取的計算圖轉(zhuǎn)換成Keras和Caffe框架下的可執(zhí)行源代碼。

IBM的這項研究，總共生成了5000篇arXiv深度學(xué)習(xí)論文的Caffe和Keras代碼，還創(chuàng)建了一個網(wǎng)站，供同行們眾包編輯這些代碼。不過，這個網(wǎng)站的地址還沒有公布，目前只能看到截圖：

在提取流程圖的過程中，IBM的研究員們遇到了一些障礙：他們需要讓程序提取論文中所有圖表之后，再進行一次分類，找出包含深度學(xué)習(xí)模型設(shè)計的那些，去掉那些和模型相關(guān)性不大的描述性圖片和展示結(jié)果的表格。

但是，論文中介紹深度學(xué)習(xí)模型設(shè)計的圖千奇百怪，表格的結(jié)構(gòu)也各不相同。

怎樣讓程序自動找出有用的圖表呢？IBM研究員們?nèi)巳馓幚砹苏撐闹械?萬張圖，將深度學(xué)習(xí)模型設(shè)計圖分成了5大類：

5大類深度學(xué)習(xí)模型設(shè)計圖

1. 神經(jīng)元分布圖；

2. 2D Box：將每個隱藏層表示為一個2D方塊；

3. Stacked2D Box：將神經(jīng)網(wǎng)絡(luò)每一層表示為堆疊的2D方塊，表示層的深度；

4. 3D Box：將每個隱藏層表示為一個3D立方體結(jié)構(gòu)；

5. 表示整個流程的Pipeline plot。

而表格，主要包括橫排表示模型設(shè)計流程和縱列表示模型設(shè)計流程兩類。

在此基礎(chǔ)上，他們構(gòu)建了一個細(xì)粒度的分類器，來把圖表分到上面提到的5類圖2類表之中，然后就可以使用OCR等工具將圖表中的內(nèi)容提取出來。

從圖中提取內(nèi)容的過程

圖表內(nèi)容提取出來之后，就可以根據(jù)這些信息構(gòu)建計算圖并生成源代碼了。

池化2D層對應(yīng)的計算圖、Caffe（Protobuf）和Keras（Python）代碼

自動生成的代碼究竟怎么樣呢？

為了對DLPaper2Code進行評估，IBM研究員們創(chuàng)建了一個包含21.6萬份設(shè)計可視化圖的模擬數(shù)據(jù)集，在這些數(shù)據(jù)集上的實驗顯示，上面講的模型，在流程圖內(nèi)容提取上準(zhǔn)確率可達93%。

AI自動化暢想曲

上面這個研究。來自IBM印度研究院。

共有五位署名作者：Akshay Sethi、Anush Sankaran、Naveen Panwar、Shreya Khare、Senthil Mani。其中第一作者Akshay Sethi，明年才會本科畢業(yè)。目前是IBM印度研究院的實習(xí)生。

嗯，實習(xí)生又開掛了。中外概莫能外~

但這么一篇清新脫俗的研究，真能在實踐中應(yīng)用么？

在reddit上，不少人還是對這篇論文有點心生疑慮。比方有人覺得這個論文很有意思，但是細(xì)細(xì)讀下來，還是有些地方比較奇怪。但也有人覺得雖然標(biāo)題有點唬人，但這項研究感覺還是不錯。當(dāng)然也有人直言：浪費時間。

更多的結(jié)論還有待時間考驗，但歸根結(jié)底，這些都是AI自動化方向的一種探索。讓AI自己搞定AI，讓軟件自己編寫軟件，一直都是研究人員追逐的目標(biāo)。

比方今年5月，Google發(fā)布了AutoML。對，就是跟今天正式推出的TensorFlow Lite同天發(fā)布的AutoML。

AutoML就是要讓神經(jīng)網(wǎng)絡(luò)去設(shè)計神經(jīng)網(wǎng)絡(luò)。谷歌希望能借AutoML來促進深度學(xué)習(xí)開發(fā)者規(guī)模的擴張，讓設(shè)計神經(jīng)網(wǎng)絡(luò)的人，從供不應(yīng)求的PhD，變成成千上萬的普通工程師。

也是在今年，MIT學(xué)者開發(fā)出一套系統(tǒng)，能夠自動給代碼打補丁。

聽起來，以后碼農(nóng)越來越好干了呢。其實不是。

要知道，微軟和劍橋聯(lián)合開發(fā)了一個系統(tǒng)：DeepCoder。就能夠通過搜索一系列代碼建立一個完整的程序，可達到編程比賽的水平。而且，這個系統(tǒng)還能通過自我訓(xùn)練能夠變得更聰明。未來程序員的飯碗也不是很鐵了。

商業(yè)智能與數(shù)據(jù)分析群

興趣范圍包括各種讓數(shù)據(jù)產(chǎn)生價值的辦法，實際應(yīng)用案例分享與討論，分析工具，ETL工具，數(shù)據(jù)倉庫，數(shù)據(jù)挖掘工具，報表系統(tǒng)等全方位知識

QQ群：81035754