斯巴达复兴机械技能优势攻略全解_图文攻略_全通关攻略_高分攻略_百度攻略
斯巴达复兴机械技能优势攻略全解机械机械部队属于弓箭系兵种有着对抗骑兵的优异能力。与弓兵不同的是机械部队的攻击速度相对较慢，但是攻击力和攻击范围相对弓兵将会提升很多。让我们来看看机械兵种的技能有什么优势之处。机械技能之一：巨石精彩内容，尽在百度攻略：https://gl.baidu.com使用巨石攻击对方先头部队，造成伤害并使之混乱。前置时间: 12s持续时间: 3s精彩内容，尽在百度攻略：https://gl.baidu.com冷却时间: 20s触发条件: 攻击时触发技能攻击力：无精彩内容，尽在百度攻略：https://gl.baidu.com技能防御力：无实用性：★★★★优势：对近战部队造成不错的伤害，并可以使之混乱，使近战部队无法攻击，减少一定量的伤害。精彩内容，尽在百度攻略：https://gl.baidu.com劣势：无机械技能之二：改良改良机械装置，缩短发射间隔。精彩内容，尽在百度攻略：https://gl.baidu.com前置时间: 12s持续时间: 10s冷却时间: 30s精彩内容，尽在百度攻略：https://gl.baidu.com触发条件: 攻击时触发技能攻击力：无技能防御力：无精彩内容，尽在百度攻略：https://gl.baidu.com实用性：★★★★优势：能够增加机械部队的攻击速度，一定程度上弥补了机械的攻击速度的劣势。劣势：冷却时间过长。精彩内容，尽在百度攻略：https://gl.baidu.com机械技能之三：面杀技能介绍：改装机械装置，略微增加攻击间隔，但是能多同时攻击更多排。前置时间: 8s精彩内容，尽在百度攻略：https://gl.baidu.com持续时间: 8s冷却时间: 22s触发条件: 攻击时触发精彩内容，尽在百度攻略：https://gl.baidu.com技能攻击力：无技能防御力：无实用性：★★★精彩内容，尽在百度攻略：https://gl.baidu.com优势：攻击范围得到了提高，可以配合一些爆发技能能得到不错的效果。劣势：本身不高的攻击速度变得更加的慢了机械技能之三：面杀精彩内容，尽在百度攻略：https://gl.baidu.com技能介绍：改装机械装置，减少攻击范围，大幅增加攻击力。前置时间: 14s持续时间: 8s精彩内容，尽在百度攻略：https://gl.baidu.com冷却时间: 20s触发条件: 攻击时触发技能攻击力：无精彩内容，尽在百度攻略：https://gl.baidu.com技能防御力：无实用性：★★★★优势：攻击力得到了大幅度的提高。精彩内容，尽在百度攻略：https://gl.baidu.com劣势：攻击范围减少了
相关攻略推荐简评：上线送满级VIP，绑定钻石28888，金币300万
0次骑士故事破解版
历史下载：0
1次银河袭击：独立行动破解版
历史下载：1
1次我是大剑士破解版
历史下载：1
1次粉碎混乱破解版
历史下载：1
1次弹球破解版
历史下载：1
游戏下载排行
大小：45.97M
版本：V1.0.01
十万个大魔王
大小：65.71M
版本：V1.12.2
梦幻加强版（上线即送白金VIP）
大小：200.38M
版本：V1.0.0
大小：480M
版本：V1.0.0
少年三国2GM版
大小：171M
版本：V1.0.0
破解版游戏盒子
大小：3.84M
版本：v1.0.0
大小：209.38M
版本：v1.0.0
武侠小掌门破解版
大小：81.11M
版本：V1.6
进击的女子：更衣室破解版
大小：34.25M
版本：V1.0.0
皇室战争破解版(无限金币)
大小：96.19M
版本：V1.9.2点击播放GIF/725K
原文来源：XIX.ai
作者：Roman Trusov
「雷克世界」编译：嗯~阿童木呀、多啦A亮
本文大约5100字，阅读时长大约13分钟
Google Brain最新的研究结果表明，任何机器学习分类器都可以被欺骗，从而给出不正确的预测结果，并且只要有一点相关专业技能，你可以让它们给出任何你想要的结果。
这一事实逐渐变得令人感到不安，因为现如今越来越多的系统是由人工智能驱动的，并且其中的许多系统对我们的安全和舒适生活起着至关重要的作用。比如银行、监控系统、自动取款机、笔记本电脑上的人脸识别、以及在不久的将来面世普及的自动驾驶汽车等等。最近，关于人工智能的安全问题主要是围绕伦理道德的，而今天我们即将要讨论是关于日益增长的压力和实际问题。
什么是对抗性攻击（Adversarial Attacks）
机器学习算法以数字向量的形式接受输入。以一种特定的方式设计输入，从而从模型中得到一个错误的结果，这便被称为对抗性攻击。
这怎么可能？没有一种机器学习算法是堪称完美的，并且对于机器智能来说，犯错误是一件自然而言的事情——尽管这是非常罕见的。然而，机器学习模型由一系列特定的变换组成的，其中大部分变换对输入的微笑变化都是异常敏感的。利用这种敏感性并用其它来修改算法的行为是人工智能安全性中的一个非常重要的问题。
在本文中，我们将展示攻击的几种主要类型的实际示例，解释为什么这些攻击可以如此容易地被执行，并讨论该技术所带来的安全隐患。
对抗攻击的类型
以下是我们着重关注的攻击类型：
非针对性对抗攻击（Non-targeted adversarial attack）：最常见的攻击类型，即使得分类器给出错误的结果。
有针对性的对抗攻击（Targeted adversarial attack）：相对较难的攻击类型，其目的是针对你的输入接收一个特定的类。
Inception v3
我们将演示如何使用非针对性的对抗攻击来对付Google的Inception v3 ImageNet分类器：
实际上，一个经过训练的神经网络基本上可以表示一个高维度的决策边界——可以将其视为一组单元格，其中同一单元格的每个点（在这里是一个图像）都与同一个类相关联。当然，边界并不完美——更重要的是，如果真是如此的话，这些“单元格”过于粗糙和线性化，而这就是它们的主要弱点。
理想情况下，一个好的对抗攻击是一个经过修改的输入，且它在视觉上与原始输入不可区分——尽管分类器会给出一个完全不同的预测结果。其背后的主要思想是为图像的每一个类找到一组细微的干扰，从而从最初的“单元格”中将表示向量“拖放”到另一个图像中。在本文中，我们会将原始图像称为“Source”，将我们添加的干扰称为“Noise”。虽然它不是一个真正的噪声，但正如我们将看到的那样，它里面的结构错综复杂。
那么，现在我们所需要知道的就是一个方向，即我们应该从初始点（Source）的哪个方向移动到移动到最近的单元格中——或者在有针对性攻击中，目标类的特定单元格。
最简单但同时也是最有效的算法是被称为快速梯度步长法（FGSM）的算法。其核心思想是在优化的每个步长上添加一些微弱的噪声，然后逐渐向你想要的类靠拢——或者，如果你愿意的话也可以逐渐远离正确的类。有时，我们必须将噪声的振幅限定在一定的范围之内，以确保攻击足够的微妙而不引起察觉，比如有人可能会揭穿我们的恶作剧。此处我们所说的振幅是指像素通道的强度，对其进行限制可以确保噪声几乎不被察觉。而在最极端的情况下，它将看起来不过像是一个经过压缩的JPEG。
这是一个纯粹的优化问题——在这种情况下，我们优化了噪声从而使误差最大化。在这种情况下，你可以直接衡量误差并计算梯度，因为你是可以访问网络的原始输出的。
你可能会觉得这个想法不错，但是如果你没有原始的输出，只有一个类该怎么办？如果我们不了解架构又该怎么办？那么，我们假设最具现实性的情况是，当我们攻击一个完整的“黑盒子”时，拍摄了一张照片，并且只给了你一个类，这就是所有的全部，那么接下来你该怎么做呢？
一开始的操作都是一样的，你生成噪声，把它添加到图像中，然后将其发送到分类器中并重复该过程，直到机器出错。在某些时候，不管你是否限制了噪声的振幅，你都将会到达真正的类停止出现的地方，而你现在所要做的就是找出能够产生相同结果的尽可能最微弱的噪声。你可以使用简单的二分查找（binary search）。
现在我们来看看为什么可以做到这一点。考虑图像空间的不同横截面，如果你开始向某个方向移动，你最终会在停在哪里呢？根据定义来说 FGSM将会使你移动到位于真正的类和其他类之间的边界处，如下图所示：
“真”和“假”之间的界限几乎是线性的。我们可以从中得到的第一件很酷的事情是，当你跟随梯度移动的话，一旦你找到了预测的类发生改变的地方，你就可以确认你的攻击是成功的。另一方面，它也在告诉我们一个事实，那就是决策函数的结构要比大多数研究人员所认为的那样远远简单得多。
这种方法相当简单但它却是非常高效的，在没有防卫措施的情况下，它能够愚弄任何机器学习算法。
我们来执行一个非针对性攻击
这是一个成功的非针对性攻击如何将你的跑车变成烤面包机的例子。
对于这个实验，我们将使用PyTorch和来自torchvision软件包的预训练的Inception_v3 分类器，所有代码资源都可以在GitHub上获取。
让我们逐步分解攻击背后的概念。首先，我们需要一组图像，然后将其转换为对抗性样本。为了方便和简洁，我将使用NIPS 2017对抗攻击挑战中的“开发集”。点击链接下载脚本：https://github.com/tensordow/cleverhans/tree/master/examples/nips17_adversarial_competition/dataset。
import torch
from torch import nn
fromtorch.autograd import Variable
importtorchvision.transforms as T
from PIL import Image
importmatplotlib.pyplot as plt
importnumpy as np
我们定义主要设置和初始化网络：
classes = eval(open('classes.txt').read())
trans = T.Compose([T.ToTensor(), T.Lambda(lambda t: t.unsqueeze(0))])
reverse_trans = lambda x: np.asarray(T.ToPILImage()(x))
在这里，我们需要一个转换，它可以将一个PIL图像转换成一个Torch张量，以及一个反向转换，它将给我们一个numpy数组，从而可以将其重新释义为一个图像。
eps = 2 * 8 / 225.
steps = 40
norm = float('inf')
step_alpha = 0.0001
model = inception_v3(pretrained=True, transform_input=True).cuda()
loss = nn.CrossEntropyLoss()
model.eval();
这是一个预先训练的网络，可以即时使用。本教程中的所有操作都是在GPU上执行的。如果你不想使用这个选项，你所需要做的就是移除代码中所出现的所有“.cuda()```”调用和“.cpu”调用。
我们还定义了一个损失函数，用以执行梯度上升。注意step_alpha参数，稍后我们将对其加以讨论。
为了使攻击更加微弱而不引起察觉，我们必须对添加的噪声施加约束。一个很好的方法是将噪声的L-无穷大范数限制为某一数值。这样一来，图像上就不会有过分的明亮或暗淡的现象了，因为它有一个很好的优点就是L-无穷大很容易解释——如果图像意味着通道的话，那它就是一个最大的绝对值。
在我们开始编写攻击代码之前，这里有一个函数可以放进去，它可以更好地进行可视化：
defload_image(img_path):
img = trans(Image.open(img_path).convert('RGB'))
方法load_image的作用是不言自明的，我们正在从磁盘读取图像并将其转换为我们网络所能接受的格式。
defget_class(img):
x = Variable(img, volatile=True).cuda()
cls = model(x).data.max(1)[1].cpu().numpy()[0]
return classes[cls]
在默认情况下，分类器只给我们一个类的一个数字id——这个方法将将所有的推论相结合，并将最可能的类映射到类名中。
defdraw_result(img, noise, adv_img):
fig, ax = plt.subplots(1, 3, figsize=(15, 10))
orig_class, attack_class = get_class(img), get_class(adv_img)
ax[0].imshow(reverse_trans(img[0]))
ax[0].set_title('Original image: {}'.format(orig_class.split(',')
ax[1].imshow(noise[0].cpu().numpy().transpose(1, 2, 0))
ax[1].set_title('Attacking noise')
ax[2].imshow(reverse_trans(adv_img[0]))
ax[2].set_title('Adversarial example: {}'.format(attack_class))
for i in range(3):
ax[i].set_axis_off()
plt.tight_layout()
plt.show()
所以，我们的FGSM攻击将取决于以下三个参数：
1.最大强度（不应超过16）
2.梯度步数
一系列快速实验给出一组范围在10-20的梯度步长，其中步长大小为0.001。你不需要太大的步长，因为它们往往导致不稳定的结果，这就好像是训练中的巨大的学习率。这个更新例程与vanilla的梯度下降是一样的，所以在这里LR的范围也同样适用。
这里的重要举措是：
defnon_targeted_attack(img):
img = img.cuda()
label = torch.zeros(1, 1).cuda()
x, y = Variable(img, requires_grad=True), Variable(label)
for step in range(steps):
zero_gradients(x)
out = model(x)
_loss = loss(out, y)
_loss.backward()
normed_grad = step_alpha * torch.sign(x.grad.data)
step_adv = x.data + normed_grad
adv = step_adv - img
adv = torch.clamp(adv, -eps, eps)
result = img + adv
result = torch.clamp(result, 0.0, 1.0)
x.data = result
returnresult.cpu(), adv.cpu()
通过将剪切的梯度添加到图像中，我们将一步步移动远离原始的类。我们完全控制了两个维度中过程的细粒度表现：
1.我们用参数eps来控制噪声的振幅：越小，输出图像的变体程度就会越细微。
2.我们使用参数step_alpha来控制攻击的稳定性：与在神经网络的常规训练中发生的攻击一样，如果我们将其设置得过高，损失就会发生振荡，并且可能会在更早的时候错过最优的点。
如果我们不限制攻击的振幅，结果将类似于目标类中的项目的平均图像，折中之后的图像将会如下所示：
在我的所有实验中，最小的eps都会起到很好的效果，通过细微的变化便可获得一个成功的攻击。为了便于说明，其中所有的噪声都增强了。
运行一下这个攻击，然后看看我们会得到什么结果：
img = load_image('input.png')
adv_img, noise = non_targeted_attack(img)
draw_result(img, noise, adv_img)
现在让我们进行有针对性的攻击
好的，那么如果我们想让我们的网络产生一个特定的类呢？这将只需要几次稍微地更改攻击代码：
def targeted_attack(img, label):
img = img.cuda()
label = torch.Tensor([label]).long().cuda()
x, y = Variable(img, requires_grad=True), Variable(label)
for step in range(steps):
zero_gradients(x)
out = model(x)
_loss = loss(out, y)
_loss.backward()
normed_grad = step_alpha * torch.sign(x.grad.data)
step_adv = x.data - normed_grad
adv = step_adv - img
adv = torch.clamp(adv, -eps, eps)
result = img + adv
result = torch.clamp(result, 0.0, 1.0)
x.data = result
return result.cpu(), adv.cpu()
这里的主要变化是梯度的标志。与非针对性攻击相反，假设目标模型几乎总是正确的，目标是增加错误，现在我们将尽量减少错误：
step_adv = x.data - normed_grad
让我们开心一下，并尝试对Google的FaceNet的对抗性攻击，在这种情况下，这是一个具有密集层的Inception_v3特征提取器，可以告诉你图片中最有可能的人。我们在户外脸部检测数据集（Labeled Faces in the Wild）上进行测试，这是面部识别中的基准。Inception v3的扩展网络与LFW数据集中最常见的500个人的分类器进行了联合训练。
目标是将数据集中的每个人都归类为Keanu Reeves基努里维斯。
由于我们有很多图像，我们可以在攻击成功的早期添加一个停止标准。当记录损失小于0.001时，停止攻击是相当合理的，在实践中可以明显加速。参考这个图表：
一个很长的平稳期意味着大多数时候你可以省掉很多的计算时间。
在我们更进一步之前：只有通过判断融合所需的步骤数量，我们可以推断出网络的决策函数，这才能高维的有效检查？由于优化问题很容易解决，我们得出结论，边界是一个有点微不足道的函数，很可能是线性的。
它告诉我们什么？第一个领悟是，神经网络中的类彼此非常接近。另一个并不那么明显的是，如果你只是采取一些随机噪声，分类器会给你一些预测，这并不总是一件好事。这在图像理解中仍然是一个未解决的问题，最近已经被对抗性训练解决了。
成功的目标攻击需要多少步？ 我们来看看：
目标攻击的结果不是很有趣——噪音的降低幅度使得无法在视觉上区分两个图像
这是从我们的实验到DEFCON主旨演讲有漫长的道路。然而即使现在，对抗性攻击的可能性也是令人担忧的。只是列举了一些来源于论文“物质世界中的对抗性例子”（严格用于讨论目的）的灵感：
1、印刷打印一张“嘈杂”的ATM支票，以$ 100为单位，取现$ 1000000。
2、更换一个轻微晃动的道路标志，将速度限制设置为200——在自动驾驶汽车的世界里，这可能是相当危险的。
3、不要等待自动驾驶汽车——重新绘制你的车牌，摄像头将永远不会识别到你的车。
安全和性能问题
现在我们已经知道如何执行成功的攻击，让我们问自己为什么它们如此危险。是的，任何人都可以使用FGSM，但是否有任何防御措施呢？
防御策略有两种：
1、反应策略：训练另一个分类器来检测对抗输入并拒绝它们。
2、主动策略：实施对抗性训练。
积极的战略不仅有助于防止过度拟合，使得分类器更加通用和强大，而且可以加快你的模型的融合。但根据目前的结果，并没有消除对抗性攻击的所有问题。
还有一个实际的权衡问题。不出意外的，在性能关键的服务中，我们没有一个，而是两个相当权重的分类器。这本身就是不切实际的——你需要更多的关于GAN的专业知识来实施这两者。到目前为止，还没有绝对强大的分类器——最好的候选是来自对抗性训练的深入学习系列算法。
有人说，由于GAN中的鉴别器可以训练检测对抗示例（自身没有消除攻击），攻击的问题可以通过拒绝损坏的样本来解决。这种解决方案从商业和科学的角度来看都不是最佳的。 除了没有人愿意冒错误的风险外，还有一个与机器学习本身一样古老的简单论据：无论人类做什么，都可以教给一台机器。人类没有正确解释对抗性的例子，所以必须有一种办法自动执行。
最后，转移学习迁移学习非常适用于攻击。即使攻击者无法访问模型，对于一个足够好的分类器生成的示例将能够欺骗许多为同一目的而训练的其他模型。
这部分只是一个可以带来有趣的研究问题的集合，运气的话可能会使你出名——或者至少是有趣的调查。
我们如何有效地对分类器进行对抗性训练？这将解决（几乎）所有的问题。如果我们训练一个网络，不仅可以预测标签，还能够判断你是否试图欺骗它——这很棒。
大多数类的决策边界是什么样的？我们知道它几乎是线性的。但到什么程度？类边界的确切形式（或使用正确的术语“拓扑”）将使我们深入了解最有效的攻击/防御。
我们如何发现对抗性的示例的存在？当你看到一个损坏的图像，例如，一只大象——你认识能认出它。可能是各种各样的噪声造成的。但是对于机器来说，它不是大象的噪声照片，而是一架飞机。它确实如此，对自己的决定提出质疑，并将这一事件报告给机器收缩是没有意义的。
解释和使用对抗示例：https://research.google.com/pubs/pub43405.html
可传递对抗空间示例：https://research.google.com/pubs/pub46153.html
对抗性自动解码器：https://research.google.com/pubs/pub44904.html
物质世界中的对抗性示例：https://research.google.com/pubs/pub45471.html
Ian Goodfellow教程：http://www.iro.umontreal.ca/~memisevr/dlss2015/goodfellow_adv.pdf
斯坦福课程讲座：https://www.youtube.com/watch？v = CIfsB_EYsVI
OpenAI教程：https://blog.openai.com/adversarial-example-research/
存储库和工具：
Cleverhans是一个伟大的基于TensorFlow的库，用于对抗性攻击和防御：https：//github.com/tensorflow/cleverhans
FoolBox——另一个攻击集合，你可以使用你的首选框架https://foolbox.readthedocs.io/en/latest/
非针对性攻击：https://www.kaggle.com/c/nips-2017-non-targeted-adversarial-attack
有针对性攻击：https://www.kaggle.com/c/nips-2017-targeted-adversarial-attack
防御：https://www.kaggle.com/c/nips-2017-defense-against-adversarial-attack
文章转载自网络，作者观点不代表本网站立场，如需处理请联系客服
雷克世界其它文章
图源：pixabay原文来源：arXiv作者：Horia Mania、Aurelia Guy、Benjamin Recht「雷克世界」编译：嗯~是阿童木呀、EVA导语：关于无模型强化学习，人们认为在策略的参数空间中基于随机搜索的方法要比那些探索行为空间的方法表现出明显更差的样本复杂性。最近，加州大学伯
图源：pixabay原文来源：OpenAI作者： Ian Goodfellow、Nicolas Papernot、Sandy Huang、Yan Duan、Pieter Abbeel、Jack Clark.「雷克世界」编译：嗯~是阿童木呀、EVA导语：一般来说，对抗样本（adversarial examples）是机器学习模型的输入，攻击者故意设计它们以引起模
图源：unsplash原文来源：arXiv作者：Pete Warden「雷克世界」编译：嗯~是阿童木呀、EVA导语：在本文中，我们描述了Google最新发布的一个用于帮助训练和评估关键词识别系统的口语词汇组成的音频数据集。讨论了为什么这个任务是一个有趣的挑战，以及为什么它需要一个专门
图源：unsplash电影《Her》讲述了一段人与人工智能之间的爱情故事。主人公Theodore在一次偶然的机会中，遇见了人工智能系统Samantha，双方经过一段时间的相处，结下了深厚友谊，并最终发展为爱情。影片柔和的故事情节与舒缓的浪漫气息，治愈了无数“孤独患者”的内心，也
对于任一行业而言，青年的参与和活跃度永远是决定该行业是否有前途的重要标志。而有这样一个行业，它的发展则是能够决定青年是否拥有前途的重要标志，这个行业就是教育。从古至今，放眼全中国乃至全世界，教育的重要性不言而喻。从孟母三迁，到现如今的天价学区房，贵族
图源：pixabay原文来源：arXiv 作者：Alex Lamb、Jonathan Binas、Anirudh Goyal、Dmitriy Serdyuk、Sandeep Subramanian、Ioannis Mitliagkas、Yoshua Bengio「雷克世界」编译：嗯~是阿童木呀、KABUDA、EVA导语：深度神经网络在各种各样的重要任务中取得了令人印象深刻
图源：pixabay原文来源：arXiv作者：Yan Wu、Greg Wayne、Alex Graves、Timothy Lillicrap「雷克世界」编译：嗯~是阿童木呀、KABUDA、EVA导语：长期以来，在机器学习方面已经尝试了各种各样的新方法以增强具有快速记忆存储能力的神经网络，但有关该“如何最有效地使用记
图源：unsplash原文来源：TensorFlow「雷克世界」编译：嗯~是阿童木呀、KABUDA、EVA导语：TF-Hub是一个可以共享机器学习专业知识的平台，里面包含在可重用资源中打包的机器学习专业知识，特别是在预先训练的模块中的技能。接下来，本文将介绍该如何使用“TF-Hub”构建一
原文来源：arXiv作者：Justin Johnson、Agrim Gupta、Li Fei-Fei「雷克世界」编译：嗯~是阿童木呀、KABUDA、EVA导语：长期以来，在图像生成方法的研究上已经取得了显著的成果，但对于现有的基于文本描述的图像生成方法而言，难以从带有许多对象和关系的复杂句子中生成逼
原文来源：deepmind、arXiv作者：Piotr Mirowski、Matthew Koichi Grimes、Mateusz Malinowski、Karl Moritz Hermann、Keith Anderson、Denis Teplyashin、Karen Simonyan、Koray Kavukcuoglu、Andrew Zisserman、Raia Hadsell「雷克世界」编译：嗯~是阿童木呀、KABUDA、
原文来源：arXiv作者：Alexandra Carlson、Katherine A. Skinner、Matthew Johnson-Roberson、Ram Vasudevan「雷克世界」编译：嗯~是阿童木呀、KABUDA、EVA导语：长期以来，深度学习使一系列计算机视觉任务的性能得到提升，而在本文中，密西根大学安娜堡分校（Universit
图源：pixabay原文来源：arXiv作者：Sylvain Gelly、Karol Kurach、Marcin Michalski、Xiaohua Zhai「雷克世界」编译：嗯~是阿童木呀、KABUDA导语：最近，Google提出了一种称之为Deep Memory的新型学习范式，并在生成式建模任务上使用MenGEN算法将此范式得以实现，经过一
原文来源：arXiv作者：Jiasen Lu、Jianwei Yang、Dhruv Batra、Devi Parikh、Georgia Institute of Technology、Facebook AI Research「雷克世界」编译：嗯~是阿童木呀、KABUDA、EVA导语：一直以来，图像字幕都是计算机视觉和自然语言处理中一个非常具有挑战性的问题，而
原文来源：arXiv作者：Greg Wayne、 Chia-Chun Hung、David Amos、Mehdi Mirza、Arun Ahuja、Agnieszka Grabska-Barwinska、Jack Rae、Piotr Mirowski、Joel Z. Leibo、Adam Santoro、Mevlana Gemici、Malcolm Reynolds、Tim Harley、Josh Abramson、Shakir Mohamed、Da
图源：unsplash原文来源：arXiv作者：Ashley D. Edwards、Laura Downs、James C. Davidson「雷克世界」编译：嗯~是阿童木呀、KABUDA、EVA在强化学习问题中，关于任务目标的制定，往往需要开发人员花费很多的精力，在本文中，谷歌大脑联合佐治亚理工学院提出了正向-反向强
图源：pixabay原文来源：arXiv作者：David Ha、Jurgen Schmidhuber「雷克世界」编译：嗯~是阿童木呀、KABUDA我们探索构建通用强化学习环境中的生成式神经网络模型。我们的世界模型（world model）可以以一种无监督的方式进行快速训练，以学习环境的压缩时空表征。通过使
原文来源：DeepMind作者：Yaroslav Ganin、Tejas Kulkarni、Igor Babuschkin、S. M. Ali Eslami、Oriol Vinyals「雷克世界」编译：嗯~是阿童木呀、EVA通过人类的眼睛来看这个世界，我们会发现，这个世界远远不只是我们眼角膜所反射的图像。比如，当我们看到一座建筑并称
导语：“事多人少”是很多行业和领域普遍存在的问题，这在很大程度上影响了工作效率，阻碍了业务的正常开展，因此，机器人作为辅助人类工作的重要角色，近年来愈发受到各界关注。科沃斯作为在机器人领域打拼了20年的老牌厂商，以人民检察院为切入点，展开了机器人落地应
原文来源：arXiv作者：Tuomas Haarnoja、Vitchyr Pong、Aurick Zhou、Murtaza Dalal、Pieter Abbeel、Sergey Levine「雷克世界」编译：嗯~是阿童木呀、KABUDA现如今，经过长期的研究实验证明，无模型深度强化学习在视频游戏、模拟机器人操纵和运动等领域具有良好的性能表
原文来源：arXiv、stanford作者：Kevin Chen、Christopher B. Choy、Manolis Savva、Angel X. Chang、Thomas Funkhouser、Silvio Savarese「雷克世界」编译：嗯~是阿童木呀、KABUDA最近，我们提出了一种用于从自然语言中生成彩色3D形状的方法。为了实现这一点，首先，我