顺应近几年的趋势，深度学习依然是2020年发展最快的领域之一，直奔未来工作。它的发展是多方面的，多方面的。以下对今年发展中的一些突出亮点进行梳理盘点。2020年1月，OpenAI宣布PyTorch作为其标准深度学习框架。AI研究机构OpenAI宣布PyTorch作为其新的标准深度学习框架。PyTorch将提高其在GPU上的大规模研究生产力。在PyTorch的支持下，OpenAI已将其生成建模迭代时间从数周缩短至数天。2020年3月（1）旷视开源深度学习AI框架中国初创公司旷视科技表示，将开源其深度学习框架。MegEngine是旷视自主研发的人工智能平台Brain++的一部分。它广泛训练计算机视觉，并帮助世界各地的开发人员构建用于商业和工业用途的AI解决方案。(2)Keras2.4.0发布新版本，澄清了tf.keras与独立Keras包之间不兼容和差异的困惑。现在，单个Keras模型——tf.keras——已经上线。（3）华为技术有限公司开源“Mindspore”华为技术有限公司开源了MindSpore，一个面向移动端、边缘端和云端场景的深度学习训练框架。该框架是轻量级的，正在为TensorFlow和PyTorchCompete带来强烈的影响。它可以跨设备扩展，并且在自然语言处理(NLP)等功能上使用的代码减少了20%。它还支持并行训练，节省在不同硬件上的训练时间，并维护和保存敏感数据。MindSpore本身并没有不处理任何数据，只是摄取预处理后的模型和梯度信息，以保持模型的健壮性。2020年4月IBM的CogMol加速COVID-19治疗的开发IBM的深度学习框架CogMol将帮助研究人员加速治疗COVID-19等传染病。新框架将解决当前“用于创建新型肽、蛋白质、候选药物和材料的生成人工智能模型”的挑战。2020年6月（1）ABBYYOpenSourcesNeoML，DeepLearning算法和算法框架ABBYY宣布推出NeoML。它是一个用于构建、训练和部署ML模型的开源库。NeoML是一个跨平台框架。它针对运行在云端、桌面和移动设备上的应用程序进行了优化，并支持深度学习和机器学习算法。ABBYY的工程师将其用于计算机视觉和NLP任务。这些任务包括图像预处理、分类、OCR、文档布局分析以及从结构化或非结构化文档中提取数据。“NeoML为在任何设备上运行的预训练图像处理模型提供15-20%的性能。”该库被设计为处理和分析多格式数据（视频、图像等）的综合工具。(2)FINDERPOSTS网络科学家多年来一直在努力解决一个重要问题。他们一直在尝试确定最能影响网络功能的关键参与者或最佳节点集。今年6月，来自中国国防科技大学、加州大学洛杉矶分校（UCLA）和哈佛医学院（HMS）的研究人员发表了名为FINDER（FindingkeyplayersinNetworksthroughDeepReinforcement）的深度强化学习（DRL）学习）框架。它在一小组合成网络上进行训练，然后应用于真实场景。该框架可以识别复杂网络中的关键参与者。它发表在《自然机器智能》的一篇论文中。2020年8月（1）scikit-learn发布0.23版本。新版本包括一些新的主要功能并修复了先前版本中的错误。它的主要特征包括：广义线性模型和梯度提升的泊松损失；丰富的估计器的视觉表示；改进KMeans的可扩展性和稳定性；改进基于直方图的梯度提升估计器；对Lasso和ElasticNet的样本权重支持。2020年9月，亚马逊出版了《深度学习分析》《Dive into Deep Learning》一书。亚马逊团队在书中添加了关键的编程框架。这本书——深入学习——是通过JupyterNotebooks起草的，整合了数学、文本和可运行代码。它是一个完全开源的实时文档，可触发对HTML、PDF和笔记本版本的更新。虽然本书最初是为MXNeT编写的，但其作者还包括PyTorch和TensorFlow。这本书来自Amazon，对于对深度学习感兴趣的学生、开发人员和科学家来说是一个很好的开源资源。2020年10月（1）《自然机器智能》杂志发表开创性模型新人工智能系统。这种新时代的人工智能系统建立在线虫等微小动物的大脑之上，只需要几个人工神经元就可以控制车辆。与以往的深度学习模型相比，该方案具有显着优势。远离臭名昭著的“黑匣子”，它处理嘈杂的输入并且简单易懂。该模型发表于《自然机器智能》。(2)MIScnn发布MIScnn是一个开源的Python框架，用于使用卷积神经网络和深度学习进行医学图像分割。它具有直观的API，只需几行代码即可快速设置医学图像分割管道。MIScnn还具有数据I/O、预处理功能；基于补丁的分析；数据扩充；指标；具有最先进的深度学习模型和模型利用的库；和自动评估。(3)TensorFlow2.3发布tf.data，解决输入管道瓶颈，提高资源利用率。对于高级用户，它提高了训练速度。tf.data允许用户在不同的训练运行中重复使用输出，从而释放额外的CPU时间。TFProfiler添加了一个内存分析器来可视化模型的内存使用情况，以及一个Python跟踪器来跟踪模型中的Python函数调用。它还为新的Keras预处理层API提供实验性支持。(4)PyTorch1.7.0版本包含许多新的API，包括“支持与NumPy兼容的FFT操作、分析工具，以及对分布式数据并行性(DDP)和基于远程过程调用(RPC)的分布式训练的重要支持。”更新。”十一月及以后随着2020年进入最后一圈，期待更多令人印象深刻的新发展出现。马克库班曾经说过。“人工智能，深度学习，机器学习-无论你在做什么，如果你不明白它，学习它。因为否则你的知识将在3年内过时。”为深度学习干杯！
