扎克·卡斯蒂略在 Unsplash 上的照片
说到网络黑客，NSA 是你需要关注的三个字母的机构。如果你想知道他们是如何破解我们的电子邮件的，那么，它涉及到时钟、质数和椭圆曲线🤯。在下面的视频中，将向您介绍用于创建随机数生成的数学方法，网络安全算法使用该方法对信用卡或电子邮件进行日常加密。
安全软件之所以有效，是因为它们的加密“随机”数字序列，这使得它们不可预测，因此是安全的。但是，如果这些随机数的产生有一个后门，使它们变得可预测，那会怎么样呢？本质上，这是国家安全局发现的。为了看看他们是如何做到的，让我们进入兔子洞:
解密的
MMF 多式联运框架
结构化文档的信息检索
空间更新
知识图表简介
长格式问题回答
TF Lite 中的模型量化
生产中的深度学习
本周数据集:TVQA
嘿现在！脸书，更确切地说是 PyTorch，发布了他们的多模态框架！它带有…
“最先进的视觉和语言预训练模型、大量现成的标准数据集、通用层和模型组件，以及训练和推理工具。”
你可以使用 MMF 来完成几个不同的多模态任务:VQA，图像字幕，可视对话，仇恨探测等等。
当前可用型号列表:
- 针对 TextVQA [ arXiv ] [ 项目 ]的 M4C 迭代答案预测
- ViLBERT ViLBERT:为视觉和语言任务预先训练与任务无关的视觉语言表示[ arXiv ] [ 项目
- 视觉和语言的一个简单和可执行的基线[ arXiv ] [ 项目
- LoRRA 走向可以阅读[ arXiv ] [ 项目的 VQA 模型
- M4C 字幕器 TextCaps:一个用于阅读理解的图像字幕数据集[ arXiv ] [ 项目
- 皮媞亚皮媞亚 v0。vqa 挑战赛 2018 的获奖作品[ arXiv ] [ 项目 ]
- 但对图像字幕和视觉问题回答的关注是自下而上和自上而下的[arXiv][project
- MMBT 负责监督用于图像和文本分类的多模式双向转换器[ arXiv ] [ 项目
- 班双线性注意力网络[ arXiv ] [ 项目 ]
博客:
[## 使用 PyTorch 驱动的多模态框架 MMF 引导多模态项目
GitHub :
github.com](https://github.com/facebookresearch/mmf)
记得🧐光学字符识别吗？有些技术永远不会消亡，谷歌已经创建了一个从结构化文档中提取信息的模型。该架构使用 OCR 从 pdf 或扫描文档等文档中提取文本，然后使用候选生成器来匹配目标模式中的字段。最后，给字段一个可能性分数，对提取到的预期目标进行排序。
博客:
ai.googleblog.com](https://ai.googleblog.com/2020/06/extracting-structured-data-from.html)
SpaCy 对其库进行了全新的更新，突出了新的语言和教程(以及更多！).他们增加了 5 种新语言:中文、日语、丹麦语、波兰语和罗马尼亚语。除了新语言之外，SpaCy 还改进了模型加载时间，并在此处提供了新的在线课程:
教程:
course.spacy.io](https://course.spacy.io/en)
更新汇总:
explosion.ai](https://explosion.ai/blog/spacy-v2-3)
对知识图嵌入的一个很好的介绍，它简要地讨论了亚马逊的知识图库 DGL-KE 建立在深度图库(DGL)之上。
博客:
towardsdatascience.com](https://towardsdatascience.com/introduction-to-knowledge-graph-embedding-with-dgl-ke-77ace6fb60ef)
DGL-柯
github.com](https://github.com/awslabs/dgl-ke)
拥抱脸最近发布了一个长形式问题回答的演示，它接受一个问题，从维基百科中获取段落，并对该问题写一个多句子的解释。意思是，这不是像小队模式那样的提取 QA。相反，它使用稀疏模型(Elasticsearch)来检索与问题松散链接的顶级维基段落，然后使用密集模型(Faiss ),嵌入在 ELI-5 数据集上训练的问题/答案。最后，他们使用 BART 生成答案。相当酷和高效！
博客/笔记本:
[## long _ Form _ Question _ Answering _ with _ Eli 5 _ and _ Wikipedia
yjernite.github.io](https://yjernite.github.io/lfqa.html)
演示:
[## 细流
huggingface.co](https://huggingface.co/qa/)
Sayak Paul 发表了一篇关于模型量化的博客文章，该文章将用于移动设备等边缘设备。它清晰地介绍了量化(训练后量化和量化感知训练 ) 以及它如何与 TensorFlow Lite 相适应。
博客:
[## TF Lite 中模型量化的故事
app.wandb.ai](https://app.wandb.ai/sayakpaul/tale-of-quantization/reports/A-Tale-of-Model-Quantization-in-TF-Lite--Vmlldzo5MzQwMA)
GitHub :
[## sayak Paul/tensor flow-Lite 历险记
github.com](https://github.com/sayakpaul/Adventures-in-TensorFlow-Lite)
一些用于生产的人工智能模型的令人清醒的统计数据，例如“大多数公司(59%)没有在生产中优化他们的机器学习模型”(他们应该阅读 quantization🧐的前一篇帖子)。如果你喜欢焦虑，那么看看这些新的调查结果，看看企业开发人员每天是如何紧张工作的。仅供参考，TensorFlow 在制作上还是很受欢迎的。
[## 公司缺乏资源将深度学习模型投入生产[调查] -神经魔法
neuralmagic.com](https://neuralmagic.com/blog/deep-learning-survey-results/)
数据集用于视频问答，由来自 21，793 个剪辑的 152，545 个问答对组成，跨越 460 多个小时的视频。
下载链接:tvqa _ QA _ release . tar . gz[15MB]MD5 sum:7 f 751d 611848d 0756 ee4b 760446 ef 7 cf 文件包含 3 个 JSON 行文件…
tvqa.cs.unc.edu](http://tvqa.cs.unc.edu/download_tvqa.html)
每周日，我们都会对来自世界各地研究人员的 NLP 新闻和代码进行一次每周综述。
如果你喜欢这篇文章，请帮助我们并与朋友分享！
如需完整报道，请关注我们的推特: @Quantum_Stat
