這8份前沿Paper+Code ，你一定用得上！
來源：PaperWeekly
本文長度為600字，建議閱讀5分鐘
本文為你列出八篇自然語言處理、計算機視覺及機器學習領域前沿的論文及程式碼。
[ 自然語言處理 ]
SLING: A framework for frame semantic parsing
@paperweekly 推薦
#Semantic Parsing
一個非常快的 semantic parsing 工具，工作來自 Google。
論文連結：
http://www.paperweekly.site/papers/957
程式碼連結：
https://github.com/google/sling
Optimal Hyperparameters for Deep LSTM-Networks for Sequence Labeling Tasks
@wangmuy 推薦
#Sequence Labeling
通過超過 50000 次實驗，綜合評價序列標註任務（POS，Chunking，NER，Entities，Events）中的超引數作用。將比較有名的序列標註都實現了一遍，並大量實驗求證超引數的作用。
論文連結：
http://www.paperweekly.site/papers/962
程式碼連結：
https://github.com/UKPLab/emnlp2017-bilstm-cnn-crf
Bottom-Up and Top-Down Attention for Image Captioning and Visual Question Answering
@jamiechoi 推薦
#QA
目前 coco leaderboard 第二名，來自微軟的論文。 提出了自下而上（bottom-up）和自上而下的 attention (top-down) 機制。其中 bottom-up 是利用 Faster R-CNN 提出影象區域，每個區域都具有相關聯的特徵向量，而 top-down 的機制確定特徵的權重。
論文連結：
http://www.paperweekly.site/papers/754
程式碼連結：
https://github.com/peteanderson80/bottom-up-attention
[ 計算機視覺 ]
Progressive Growing of GANs for Improved Quality, Stability, and Variation
@Gapeng 推薦
#GAN
NVIDIA 新作，更穩定的 GAN 訓練，以及更高解析度的影象生成，1024*1024 超高解析度的 CelebA 影象生成。
論文連結：
http://www.paperweekly.site/papers/1008
程式碼連結：
https://github.com/tkarras/progressive_growing_of_gans
Learning to Compose Domain-Specific Transformations for Data Augmentation
@corenel 推薦
#Data Augmentation
提出了一種不需要特定領域知識的資料擴增的方法，能夠生成大量標記樣本，並且不損失類別資訊。按文中所說，確實能夠提升一定的分類模型的精度。
論文連結：
http://www.paperweekly.site/papers/919
程式碼連結：
https://github.com/HazyResearch/tanda
Class-specific Poisson denoising by patch-based importance sampling
@falconwj 推薦
#Image Denoising
將影象降噪問題與高階視覺問題聯絡在一起，有針對性的對不同影象內容進行不同程度的降噪。解決了現有手法（BM3d）在 texture 影象降噪上的過處理問題。
論文連結：
http://www.paperweekly.site/papers/999
程式碼連結：
https://github.com/Ding-Liu/DeepDenoising
[ 機器學習 ]
Reinforcement Learning for Bandit Neural Machine Translation with Simulated Human Feedback
@paperweekly 推薦
#Deep Reinforcement Learning
EMNLP 2017 論文，通過增強學習的方法來做 NMT，提出了一種 actor-critic 與 encoder-decoder 結合的框架。
論文連結：
http://www.paperweekly.site/papers/951
程式碼連結：
https://github.com/khanhptnk/bandit-nmt
Gated Orthogonal Recurrent Units: On Learning to Forget
@datou 推薦
#RNN
文章是在 GRU 的基礎上做了兩個修改，一是將引數矩陣 U 變為正交矩陣，而是將 tanh 改為論文提的 modelRELU，對於某些實驗有較明顯的提高。
論文連結：
http://www.paperweekly.site/papers/1002
程式碼連結：
https://github.com/jingli9111/GORU-tensorflow