摘要：的這項(xiàng)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(gè)網(wǎng)站，供同行們眾包編輯這些代碼。來(lái)自印度研究院。目前是印度研究院的實(shí)習(xí)生。

深度學(xué)習(xí)的論文越來(lái)越多了~

多到什么程度？Google scholar的數(shù)據(jù)顯示，2016年以來(lái)，人工智能領(lǐng)域新增的論文已經(jīng)超過(guò)3.5萬(wàn)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(jì)算機(jī)視覺(jué)會(huì)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(kāi)放評(píng)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(xiàng)新研究：DLPaper2Code，顧名思義，這個(gè)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(guò)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(huì)議論文。

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

深度學(xué)習(xí)論文自動(dòng)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(huì)用流程圖來(lái)表示神經(jīng)網(wǎng)絡(luò)模型的設(shè)計(jì)模式，因此，在論文轉(zhuǎn)換成代碼的過(guò)程中，DLPaper2Code首先提取、理解論文中描述的深度學(xué)習(xí)設(shè)計(jì)流程圖和表格，將它們轉(zhuǎn)化成抽象的計(jì)算圖。

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

IBM的這項(xiàng)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(gè)網(wǎng)站，供同行們眾包編輯這些代碼。不過(guò)，這個(gè)網(wǎng)站的地址還沒(méi)有公布，目前只能看到截圖：

在提取流程圖的過(guò)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(jìn)行一次分類，找出包含深度學(xué)習(xí)模型設(shè)計(jì)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(jì)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(dòng)找出有用的圖表呢？IBM研究員們?nèi)巳馓幚砹苏撐闹械?萬(wàn)張圖，將深度學(xué)習(xí)模型設(shè)計(jì)圖分成了5大類：

5大類深度學(xué)習(xí)模型設(shè)計(jì)圖

1. 神經(jīng)元分布圖；

2. 2D Box：將每個(gè)隱藏層表示為一個(gè)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(gè)隱藏層表示為一個(gè)3D立方體結(jié)構(gòu)；

5. 表示整個(gè)流程的Pipeline plot。

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

在此基礎(chǔ)上，他們構(gòu)建了一個(gè)細(xì)粒度的分類器，來(lái)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(lái)。

從圖中提取內(nèi)容的過(guò)程

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

池化2D層對(duì)應(yīng)的計(jì)算圖、Caffe（Protobuf）和Keras（Python）代碼

自動(dòng)生成的代碼究竟怎么樣呢？

為了對(duì)DLPaper2Code進(jìn)行評(píng)估，IBM研究員們創(chuàng)建了一個(gè)包含21.6萬(wàn)份設(shè)計(jì)可視化圖的模擬數(shù)據(jù)集，在這些數(shù)據(jù)集上的實(shí)驗(yàn)顯示，上面講的模型，在流程圖內(nèi)容提取上準(zhǔn)確率可達(dá)93%。

AI自動(dòng)化暢想曲

上面這個(gè)研究。來(lái)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(huì)本科畢業(yè)。目前是IBM印度研究院的實(shí)習(xí)生。

嗯，實(shí)習(xí)生又開(kāi)掛了。中外概莫能外~

但這么一篇清新脫俗的研究，真能在實(shí)踐中應(yīng)用么？

在reddit上，不少人還是對(duì)這篇論文有點(diǎn)心生疑慮。比方有人覺(jué)得這個(gè)論文很有意思，但是細(xì)細(xì)讀下來(lái)，還是有些地方比較奇怪。但也有人覺(jué)得雖然標(biāo)題有點(diǎn)唬人，但這項(xiàng)研究感覺(jué)還是不錯(cuò)。當(dāng)然也有人直言：浪費(fèi)時(shí)間。

更多的結(jié)論還有待時(shí)間考驗(yàn)，但歸根結(jié)底，這些都是AI自動(dòng)化方向的一種探索。讓AI自己搞定AI，讓軟件自己編寫(xiě)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(duì)，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(jì)神經(jīng)網(wǎng)絡(luò)。谷歌希望能借AutoML來(lái)促進(jìn)深度學(xué)習(xí)開(kāi)發(fā)者規(guī)模的擴(kuò)張，讓設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)的人，從供不應(yīng)求的PhD，變成成千上萬(wàn)的普通工程師。

也是在今年，MIT學(xué)者開(kāi)發(fā)出一套系統(tǒng)，能夠自動(dòng)給代碼打補(bǔ)丁。

聽(tīng)起來(lái)，以后碼農(nóng)越來(lái)越好干了呢。其實(shí)不是。

要知道，微軟和劍橋聯(lián)合開(kāi)發(fā)了一個(gè)系統(tǒng)：DeepCoder。就能夠通過(guò)搜索一系列代碼建立一個(gè)完整的程序，可達(dá)到編程比賽的水平。而且，這個(gè)系統(tǒng)還能通過(guò)自我訓(xùn)練能夠變得更聰明。未來(lái)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(jià)值的辦法，實(shí)際應(yīng)用案例分享與討論，分析工具，ETL工具，數(shù)據(jù)倉(cāng)庫(kù)，數(shù)據(jù)挖掘工具，報(bào)表系統(tǒng)等全方位知識(shí)

QQ群：81035754