（文章來源：讀芯術(shù)）

FAIR一直是深度學(xué)習(xí)領(lǐng)域研究和開源框架的定期貢獻(xiàn)者。從PyTorch到ONNX, FAIR團(tuán)隊(duì)為實(shí)現(xiàn)深度學(xué)習(xí)應(yīng)用程序的簡化做出了不可思議的貢獻(xiàn)。在過去幾周里，F(xiàn)AIR增加了三個(gè)新的系列開源框架。Polygames是一個(gè)開源的研究框架，通過自我游戲的方式來訓(xùn)練深度學(xué)習(xí)網(wǎng)絡(luò)。Polygames基于著名的“零學(xué)習(xí)”概念，即允許代理無需進(jìn)行任何預(yù)先設(shè)定的訓(xùn)練，而是通過與環(huán)境交互來掌握環(huán)境。

乍看之下，Polygames似乎與Alpha Zero或ELF OpenGo等其他游戲?qū)W習(xí)框架類似，但FAIR堆棧也有自己的貢獻(xiàn)。對于初學(xué)者來說，Polygames支持更廣泛的戰(zhàn)略游戲列表，如Hex、Havannah、Minishogi、Connect6、Minesweeper、Mastermind、EinStein wurfelt nicht!、Nogo和Othello。他們?yōu)檠芯咳藛T提供了更廣泛的環(huán)境來測試深度學(xué)習(xí)網(wǎng)絡(luò)。

此外，Polygames還以一個(gè)巧妙的架構(gòu)擴(kuò)展了傳統(tǒng)的零學(xué)習(xí)概念，該架構(gòu)結(jié)合了深度神經(jīng)網(wǎng)絡(luò)和蒙特卡羅樹搜索方法。這種架構(gòu)允許網(wǎng)絡(luò)泛化到更多的任務(wù)和環(huán)境。Polygames框架的一個(gè)意想不到的好處是代理中神經(jīng)可塑性的創(chuàng)建。Polygames的模型是漸進(jìn)式的——框架帶有一個(gè)用于添加新層和通道或增加內(nèi)核寬度的腳本——它們能夠進(jìn)行熱啟動訓(xùn)練，允許神經(jīng)網(wǎng)絡(luò)隨訓(xùn)練成長。

從編程模型的角度來看，Polygames提供了一個(gè)包含游戲的庫，以及一個(gè)實(shí)現(xiàn)游戲的單文件API。開發(fā)人員的經(jīng)驗(yàn)是基于PyTorch的，因此易于上手。

FAIR團(tuán)隊(duì)在Polygames上取得了一些里程碑式的成績，包括在Hex19游戲中擊敗人類頂級玩家。該游戲由詩人、數(shù)學(xué)家皮特·海因(Piet Hein)、 約翰·納什(John Nash)和經(jīng)濟(jì)學(xué)家于20世紀(jì)40年代開發(fā)，它挑戰(zhàn)了一些傳統(tǒng)的人類游戲思維過程。規(guī)則很簡單。黑色和白色依次填充一個(gè)空單元格。如果把北方和南方連接起來，黑人就贏了;如果把西方和東方連接起來，白人就贏了。餡餅規(guī)則使游戲更加公平:在第二次移動時(shí)，第二個(gè)玩家可以決定交換顏色。這款游戲之所以困難，是因?yàn)樽鳛橐豢钸B接游戲，它的獎勵是基于全局而非局部的標(biāo)準(zhǔn)。

在一系列的實(shí)驗(yàn)中，Polygames在Hex游戲中擊敗了人類中的頂尖玩家。結(jié)果如下圖所示，在圖中，人類玩家操縱白色棋子。第一個(gè)圖像表示Hex的開局。在游戲的第二階段，人類(白色)似乎贏了——兩個(gè)堅(jiān)實(shí)的組分別連接到東和西，并互相互靠近連接。然而，Polygames能夠扭轉(zhuǎn)這種局面，創(chuàng)造了一個(gè)相當(dāng)復(fù)雜的中心位置。隨著Polygames使用兩個(gè)可能的路徑之一，它找到了一個(gè)成功的組合并展開了這個(gè)位置。

PyTorch3D是一個(gè)用于在3D環(huán)境中訓(xùn)練深度學(xué)習(xí)網(wǎng)絡(luò)的框架。盡管有大量的視覺智能系統(tǒng)需要在現(xiàn)實(shí)環(huán)境中運(yùn)行，但在3D環(huán)境中訓(xùn)練這類智能體的工具和框架仍然受到高度限制。PyTorch3D是一個(gè)高度模塊化和優(yōu)化的庫，具有獨(dú)特的功能，旨在讓使用PyTorch的3D深度學(xué)習(xí)更容易。PyTorch3D為快速可微的3D數(shù)據(jù)提供了一組常用的3D操作符和損失函數(shù)，以及一個(gè)模塊化可微繪制API，使研究人員能夠立即將這些函數(shù)導(dǎo)入當(dāng)前最先進(jìn)的深度學(xué)習(xí)系統(tǒng)。

PyTorch3D利用了最近在3D深度學(xué)習(xí)方面的幾個(gè)最新里程碑，如FAIR的MeshR-CNN，它實(shí)現(xiàn)了復(fù)雜室內(nèi)空間圖像的完整3D對象重建。該框架還使用Detectron2，這是一個(gè)高度優(yōu)化的2D識別庫，可以成功將對象理解推向第三維。PyTorch3D處理旋轉(zhuǎn)和3D轉(zhuǎn)換的功能也是創(chuàng)建C3DPO的核心，C3DPO是一種使用較少注釋的訓(xùn)練數(shù)據(jù)學(xué)習(xí)圖像和3D形狀之間關(guān)聯(lián)的新方法。

探索高維數(shù)據(jù)是深度學(xué)習(xí)應(yīng)用的挑戰(zhàn)之一。HiPlot是一個(gè)交互式可視化工具，它幫助人工智能研究人員發(fā)現(xiàn)高維數(shù)據(jù)中的相關(guān)性和模式，并使用平行圖和其他圖形方式來表示信息。HiPlot使用一種稱為平行圖的技術(shù)，這是一種可視化和過濾高維數(shù)據(jù)的方便做法。

從功能的角度來看，HiPlot與其他可視化工具相比有以下幾個(gè)優(yōu)勢：交互性：在HiPlot中，平行圖是交互式的，這使得在不同的場景中可視化很容易。例如，你可以專注于沿著一個(gè)或多個(gè)軸獲取范圍或值，根據(jù)另一個(gè)軸設(shè)置配色方案，重新排序或刪除軸，或提取特定的數(shù)據(jù)選擇。簡潔性：使用Hiplot只需要幾行代碼。通過帶有“Hiplot”命令的服務(wù)器，就可以通過一個(gè)給定的URL訪問它，并使用它來可視化、管理和共享實(shí)驗(yàn)?；诜N群的訓(xùn)練可視化：HiPlot提供了一種簡單的方法來可視化XY圖中基于種群的訓(xùn)練實(shí)驗(yàn)，該圖中，不同數(shù)據(jù)點(diǎn)之間是有邊緣的。這種可視化在深度學(xué)習(xí)實(shí)驗(yàn)中非常普遍。

在深度學(xué)習(xí)的幾個(gè)領(lǐng)域，F(xiàn)acebook的FAIR團(tuán)隊(duì)還在繼續(xù)創(chuàng)新，并積極為開源社區(qū)做出貢獻(xiàn)。PyTorch3D、Polygames和HiPlot是FAIR的最新貢獻(xiàn)，旨在實(shí)現(xiàn)深度學(xué)習(xí)應(yīng)用程序的簡化。
（責(zé)任編輯：fqj）