太平洋语言学院

近日，从阿里巴巴方面获悉，在跨境电商领域， 阿里巴巴研发的AI实时翻译工具，日均翻译次数超7亿。 公开资料显示，这是全球电商领域AI翻译之最。这项服务，每年为阿里巴巴全球商家节省超25亿美元。

阿里巴巴研发的AI实时翻译工具提供全球21种热门语言，包括43个语言方向翻译服务。 例如一件商品以英文发布，可以实时自动翻译成16种语言。2017年，累计为全球客户提供3000亿次翻译服务。

据了解，它目前为高达7亿量级的商品场景服务，支持从建站到商品搜索，以及多种优化工具。如商品标题、详情、评论等内容，均可实时在线翻译，满足全球用户，在浏览其不同国家商品服务时的信息阅读需求。

针对俄语等形态丰富的语言，在神经网络算法基础上，技术团队独创的算法模型可以更好的解决“词形”错误等问题。 而分布式神经网络翻译模型训练平台，可在两天内学习上亿条对应翻译句，进而学习一门新语言。

“通过十多年的国际电商业务积累，我们已经沉淀了目前最大的、质量最好的跨境电商语料数据库。”阿里巴巴达摩院资深技术专家骆卫华介绍，电商对商品品牌、型号、关键属性等信息质量要求很高，因此在神经网络翻译和特定数据库的基础上，阿里还引入了新的网络架构算法，让翻译更加精准。

2018年CES国际消费电子展上，阿里AI翻译展区的参观者进行实时翻译

[PConline 资讯]12月12日消息，继2011 年接任苹果 CEO 以来，库克首次访问新加坡。除了拜会新加坡总理李显龙之外，他还会见了当地的 iOS 开发者和中学生。

访问期间库克表示，如果孩子们只能在母语之外学习一种语言，那么它应该是编码，因为“编码是一种全球语言”。在这次的新加坡的两日访问中，如何扩大苹果开发商的生态系统是库克此行的一个重要议程。库克表示希望接触一支潜在的程序员大军，在他们还在上学的时候就开始学习编码。

“即使是那些被说得最多的语言也是区域性的”，库克认为，编码不会为人类创造新的边界，但它为创造性解决问题提供了一个机会。

Keras R语言接口正式发布，并同时公开20个完整示例。

关于keras的介绍

Keras是一个高层神经网络API，为支持快速实验而生，目前主要功能如下：

支持相同的代码无缝跑在CPU或GPU上

对用户友好，易于快速prototype深度学习模型

支持计算机视觉中的卷积网络、序列处理中的循环网络，也支持两种网络的任意组合

支持任意网络架构：多段输入或多段输出模型、层共享、模型共享等。这意味着Keras 本质上适合用于构建任意深度学习模型（从记忆网络到神经图灵机）

兼容多种运行后端，例如TensorFlow、CNTK和 Theano

如果你已经很熟悉Keras了，并且想要立刻体验最新发布的R语言接口，请点击如下网址： https://keras.rstudio.com ，这里有超过20个完整示例，相信有你需要的东西。

接下来是更多关于Keras的信息，以及发布Keras的R语言接口的意义。

Keras和深度学习

在过去的几年间，人们对深度学习的兴趣增长迅速，同时期出现了几个深度学习的框架。在所有的框架中，Keras因为在生产力、灵活性以及对用户友好性方面的优势脱颖而出。同时期，tensorflow作为下一代机器学习平台，非常灵活，很适合产品部署。

毫不惊讶地说，Keras和tensorflow正在逐渐超过其他深度学习框架。

现在，你不需要纠结该选tensorflow或是Keras了。Keras的默认后端支持通过tensorflow工作流，实现tensorflow和Keras的无缝集成。今年晚些时候，可以通过更深的集成，让Keras完全实现与tensorflow的无缝衔接。

Keras和tensorflow目前都是最顶尖的深度学习框架，有了新发布的Keras包，利用R接口现在可以同时接入两个框架。

使用说明

安装

首先，从CRAN的Keras R包中按照如下步骤安装：

install.packages("keras")

Keras R接口默认使用 TensorFlow后端引擎。使用如下install_keras()函数安装核心Keras库和 TensorFlow后端：

library(keras)

install_keras()（）

这个函数默认基于CPU安装Keras和TensorFlow。如果你想要自定义安装，比如说想要利用英伟达GPU，可以查看install_keras()函数的详细文档。

MNIST样例

可以通过实现一个简单的例子来学习Keras的基本知识：识别来自MNIST数据集的手写数字。MNIST由手写数字的28x 28灰度图像组成，如下图所示:

数据集中包含每个图像的标签，来告诉我们这是哪个数字。例如，上面图像中的标签分别是5,0,4,1。

准备数据

MNIST数据集包含在Keras中，可以通过使用dataset_mnist() 函数得到。这个例子中我们先下载数据集，然后为测试和训练数据创造出变量。

library(keras)mnist <- dataset_mnist()x_train <- mnist$train$xy_train <- mnist$train$yx_test <- mnist$test$xy_test <- mnist$test$y="" <="" span="">

x数据是灰度值的3-d数组(图像、宽度、高度)。为了准备训练数据，通过将宽度和高度转换为一维(28x28的图像被简化成长为784的向量)，从而把三维数组转换为矩阵。然后，我们将值为0到255的整数之间的灰度值转换成0到1之间的浮点值。

# reshape

dim(x_train) <- c(nrow(x_train),="" 784)="" <="" span="">

dim(x_test) <- c(nrow(x_test),="" 784)="" <="" span="">

# rescale

x_train <- 255="" x_train="" <="" span="">

x_test <- 255="" x_test="" <="" span="">

y数据是一个整型向量，其值从0到9。为了准备训练数据，我们利用 Keras to_categorical()函数，用one-hot编码方法将向量转化为二进制类矩阵（binary class matrices ）:

y_train <- to_categorical(y_train,="" 10)y_test <- to_categorical(y_test,="" 10)="" <="" span="">

定义模型

我们首先创建一个序贯模型（sequential model），然后使用pipe(%-%)运算符添加层。

model <- keras_model_sequential()model %>%

layer_dense(units = 256, activation = 'relu', input_shape = c(784)) %>%

layer_dropout(rate = 0.4) %>%

layer_dense(units = 128, activation = 'relu') %>%

layer_dropout(rate = 0.3) %>%

layer_dense(units = 10, activation = 'softmax')

使用summary()函数打印出模型的细节：

接下来，用适当的损失函数、优化器和指标来编译模型:

model %>% compile(

loss = 'categorical_crossentropy',

optimizer = optimizer_rmsprop(),

metrics = c('accuracy'))

训练和评估

使用fit() 函数来训练模型，epochs为30，batch_size为128：

history <- model="" %="">% fit( x_train, y_train, epochs = 30, batch_size = 128, validation_split = 0.2

)

可以通过plot(history)绘制出每一步epoch下loss和acc的值：

通过测试数据评估模型表现：

model %>% evaluate(x_test, y_test)

$loss

[1] 0.1149

$acc

[1] 0.9807

通过新的数据生成预测值：

model %>% predict_classes(x_test)

更多详细信息，可以点击： https://keras.rstudio.com/

keras包下载地址： https://cran.r-project.org/package=keras

TBEN-L- PLC IP69K紧凑型PLC是一种协议转换器，可转换CANopen或SAE J1939与各种以太网和 现场总线 协议。

分布式I/O解决方案本身并不是新鲜事物，但是随着现代 自动化 和机器概念越来越多地采用模块化设计，它变得越来越受关注。趋势是从控制柜转向现场安装。通过使用IP67防护等级的坚固I/O技术，用户能够直接在现场将传感器电缆连接到附近的I/O分配器，这可以将信号传输到控制柜，作为被动多极电缆连接或者主动现场总线设备。相比于点到点布线，这可以显著节省用户的连接技术和布线成本。当机器在客户现场装配时，这还可以节省时间。通常只需要使用现场总线或者以太网系统布设一根通讯电缆和一根电源电缆，就可以将I/O级与控制器连接，而不是连接多根独立电缆到控制柜。因此，外围设备与远程I/O技术的布线连接可以提前在机器制造商处完成。

TBEN-L-PLC可通过其各种各样的主接口和设备接口构成Ethernet与CANopen之间的桥梁

高性能

图尔克将分布化从控制柜进一步带到现场。Mülheim自动化专家的TBEN-L-PLC Codesys-3控制器是一种可现场直接使用的紧凑型IP67控制器。当作为主站使用时，除了CANopen和SAE J1939，以及 工业以太网 协议Profinet、EtherNet/IP和Modbus TCP外，还支持Modbus RTU。RS232和RS485串行接口还可在Codesys中根据要求使用。block I/O控制器还提供8个通用I/O通道，用于直接连接传感器和执行器。

TBEN-PLC还可以作为从站(例如独立设备)在CANopen和Modbus RTU网络以及支持的三种工业以太网网络中运行，这使得它可被用作协议转换器。例如，控制器可以作为连接CANopen网络的机器模块的CANopen管理器，并将该模块与使用Profinet运行的系统连接。作为工业生产数字化进程的一部分，这使得现有机器概念能够适应紧密联网、高度灵活生产的挑战。图尔克为现有机器和工厂如何从 工业4.0 发展所带来的更高效率、更好的透明度中获益的问题提供了一个答案。

在移动设备领域，紧凑型PLC通过其坚固、完全密封的外壳，高达IP69K的防护等级和扩展的温度范围，可确保最优使用

TBEN-L-PLC作为CANopen的协议转换器

这对于希望将工厂和机械连接到更高级别的ERP或MES系统，以及希望将其机器连接到工业以太网的工厂运营商来说尤其有益。使用兼容以太网的组件一直联网到最低级别的自动化在经济上是不可取的，并且在自动化方面也很少需要。通过TBEN-L-PLC，使用CANopen频繁通讯的现有阀组或者驱动器也可用于工业以太网网络。随后，紧凑型PLC在Profinet网络中作为一个Profinet从机，并作为CANopen管理器将该通讯转换到CAN网络中的CANopen设备。

学而思网校今日发布素质教育谱系，并上线编程课程。学而思编程希望让孩子学会编程的同时，也能培养孩子利用编程思维解决实际问题的能力。

据介绍，学而思编程基于图形化编辑平台学习趣味性编程内容，由浅入深学习编程基础知识，如序列、事件、循环等，以及Scratch的基础指令。

学而思编程课程包含3大语言：Scratch图形编程（适合6-10岁孩子）、Python代码编程（适合8-12岁孩子）、C++代码编程（适合10-14岁孩子），每种语言课程分为4个Level，共同构成进阶式12级学习体系。

授课模式上，学而思编程采用“三师”模式，即主讲老师、辅导老师和学而思网校自主研发的“AI老师”陪伴孩子。

好未来集团CTO黄琰在介绍学而思编程课程设置初衷时表示，编程学习能够培养学生的计算思维和创新思维。

编程学习的低龄化在全球成为一种趋势。2017年7月，国务院印发的《新一代人工智能发展规划》中提到，在中小学阶段设置人工智能相关课程，逐步推广编程教育。今年1月，教育部公布的高中新课标，编程、计算机思维成为必修内容。

在此背景下，国内少儿编程行业发展迅速。今年上半年就有小码王、编玩边学等多家创业企业获得融资。