你里最好用的小程序是什么
推荐15款小程序给大家，只推荐精选好玩的小程序，希望你们能喜欢
1.制作器
简介：制作各种截图，比如各种商家获得要集赞，可以利用这款小程序，或者生成对话聊天界面，都可以，还有制作各种装逼图，比如和某某明星合照什么的，而且这款小程序的功能不只这些，还可以制作各种带符号的头像，最重要的还有一个功能是提取文字。
2.姓氏壁纸生成
简介：选择姓氏、添加一段话、上传一张图片，可以生成壁纸头像，用来做朋友圈背景最合适不过。
3飞鸟听听
简介：文字转语音小程序，不想阅读太多繁杂的文字，利用这款小程序就可以让你带上耳机就能听取文章的内容，支持文字或者链接转语音，也可以直接输入公众号。
4..bigjpg人工智能
简介：免费无损放大图片，普通用户支持放大四倍，有降噪功能。
5.Philm黑咔相机 or 魔幻天空
简介：如果你平时经常发朋友圈，而且图片带有天空的，那么利用这款小程序就可以让你的照片的天空动起来，非常
6.酷省
简介：经常逛淘宝买东西的一点要用这款小程序，能够一定程度上为你节省很多钱，领取各种商品的内部优惠券。7.形色
简介：拍照识花，识别植物，鉴定多肉，了解各种花花草草知识，还可以为你拍的植物生成一张美图，发到朋友圈一定赏心悦目。
8.音乐站
简介：平时经常看到朋友圈别人分享音乐，那么这款小程序就是一键集合播放朋友圈别人分享的音乐
9.群玩助手
简介：不仅可以查看朋友位置，海量表情包，更有各种好玩的功能等你来体验。、
10.斗图表情包神器 or 斗图法宝
简介：顾名思义就是收集表情包必备小程序，妈妈再也不用担心我没有表情包了
11.识图小程序：发图识字、微软小密、小应扫描、传图识字
简介：各有各的优点，喜欢那一款就选哪一款
深度学习最近有哪些突破
想了解深度学习最近有哪些突破，一个最简便的办法就是去浏览一下人工智能巨头公司的各个研究博客（比如谷歌、Facebook、微软、IBM），以及还有OpenAI的官方博客，上面深度学习的最新进展就会一目了然。链接如下：
-
OpenAI：
-
谷歌：
-
百度：-tech-blog/
-
Facebook：
-
/IBM：
-
DeepMind:
-
亚马逊：
-
微软：#sm.00000p17bc4jt8fmrrawc04ec9c5m
另外一些大牛的动态你也可以关注一下，比如深度学习三巨头Yann LeCun、Yoshua Bengio和Geoffrey Hinton的动态，比如在Facebook、推特或者arXiv上，下面本文列举一个 Yoshua Bengio 在arXiv 上发表论文的例子。
Yoshua Bengio团队在2017年 2 月下旬一连在 arXiv 上发布了三篇相关论文（其中一篇为论文修正），提出了三种不同的 GAN——边界寻找生成对抗网络（BS-GAN）、最大似然增强的离散生成对抗网络（MaliGAN）和模式正则化的生成对抗网络（Regularized-GAN），每一个都是深度学习领域的重大突破：
- 论文 1：边界寻找生成对抗网络（Boundary-Seeking Generative Adversarial Networks）
摘要：本文介绍了一种全新的用于训练生成对抗网络的方法——训练一个生成器来匹配一个目标分布，该分布会收敛到处于完美鉴别器的极限的数据分布。这个目标可被视为训练一个生成器来在每次更新的训练中产生在当前鉴别器的决策边界（decision boundary）之上的样本，我们把使用这种算法训练的 GAN 称为边界寻找 GAN（BS-GAN：boundary-seeking GAN）。这种方法可被用于训练带有离散输出的生成器——该生成器可以输出一个参数条件分布（parametric conditional distribution）。本文通过使用离散图像数据表明算法的有效性。和提出的算法相反，本文观察到最近提出的用于重新参数化（re-parametrizing）离散变量的 Gumbel-Softmax 技术不能用于训练带有离散数据的 GAN。最后，本文注意到提出的边界寻找算法甚至可以用于连续变量，而且通过两个被广泛使用的图像数据集 SVHN 和 CelebA 证明了其有效性。
- 论文 2：最大似然增强的离散生成对抗网络（Maximum-Likelihood Augmented Discrete Generative Adversarial Networks）
摘要：尽管生成对抗网络（GAN）在获取连续分布上已经取得了成功，但其在离散背景（比如自然语言任务）上的应用却相当有限。主要的原因是通过离散变量的反向传播很困难，而且 GAN 训练目标还具有固有的不稳定性。为了解决这些问题，我们提出了最大似然增强的离散生成对抗网络（Maximum-Likelihood Augmented Discrete Generative Adversarial Networks）。我们没有直接优化该 GAN 目标，而是使用遵循对数似然的对应的输出而推导出了一种全新的且低方差的目标。和原来的相比，事实证明这种新的目标在理论上是一致的，且在实践中也是有益的。在多种离散数据集上的实验结果表明了我们提出的方法的有效性。
- 论文 3：模式正则化的生成对抗网络（Mode Regularized Generative Adversarial Networks）
摘要：尽管生成对抗网络（GAN）在许多不同的生成任务上都实现了当前最佳的结果，但它们被认为是高度不稳定的且容易出错。我们认为 GAN 的这些糟糕行为是由于在高维空间中训练过的鉴别器的非常特定的函数形状，这可以轻松使得训练陷入困境或将概率质量（probability mass）推向错误的方向，导致集中度（concentration）比其数据生成分布（data generating distribution）更高。我们介绍了几种对其目标进行正则化的方法，它们可以极大地稳定 GAN 模型的训练。我们还表明我们的正则化器（regularizer）可以在训练的早期阶段帮助在数据生成分布的模式上实现公平的概率质量分布，从而能为该模式缺失问题（missing modes problem）提供一种统一的解决方案。
最后，打个小广告，你也可以关注机器之心公众号（ID:almosthuman2014）和官方网站，我们会第一时间、无一遗漏地报道深度学习的重大进展。
深度学习TensorFlow入门资源汇总
人工智能全面爆发
历史性机遇如何把握？
AI深度学习直播课火热来袭
计算机视觉、语音识别、NLP
热门技术尽在掌握
限时钜惠 抢先学习
了解课程详情：
-143707/?scode=jZiXMZ