深度学习现在是一个非常火爆的领域，很难对其快速的发展一一记录。
今年早些时候，作为尝试记录深度学习领域进展的第一步，本文作者Ross Taylor创建了网站Papers With Code。该网站是一个将深度学习研究论文与其实现代码相连接的社区。
Papers With Code：www.paperswithcode.com
这个网站也使得作者对深度学习领域有了一个全面的了解。基于此，通过本文我们可以看到AI的研究趋势是什么，社区正在采用哪些框架，以及哪些技术正在受到青睐。
最受欢迎的发布：BERT，vid2vid和graph_nets
Google AI的BERT论文在10月份引起了深度学习界的关注。本文提出了一种深度双向编码器模型，该模型可实现11种NLP任务的最先进性能，包括斯坦福问答（SQUAD）数据集。 Google AI开源了他们论文的代码，这是深度学习库类别中，获得最多的“星星”的开源代码。
论文下载地址：https://arxiv.org/abs/1810.04805
论文代码：https://github.com/google-research/bert
NVIDIA的一篇关于视频到视频合成的论文，是生成建模的又一个惊人结果，生成模型是过去几年中最受欢迎的深度学习领域之一。该文利用新颖的顺序生成器体系结构，以及诸如前景和背景先验等许多其他设计特征，修复了时间不连贯的问题、提高性能。 NVIDIA开源了他们的代码，欢迎程度位居第二。
论文下载地址：https://arxiv.org/abs/1808.06601/
代码地址：https://github.com/NVIDIA/vid2vid/
谷歌DeepMind关于图形网络的论文在今年年中受到了很多关注。图形网络是深度学习开始尝试的新型结构化数据（大多数深度学习应用都是基于向量和序列）。此开源库的受欢迎程度排列第三。
论文下载地址：https://arxiv.org/abs/1806.01261v3
代码：https://github.com/deepmind/graph_nets/
最受欢迎的社区：DeOldify，BERT和Fast R-CNN
DeOldify
DeOldify使用SA-GAN，这是一个从PG-GAN获得灵感的架构，应用两个时间尺度的更新规则。
DeOldify项目非常迷人。作者Jason Antic复现了许多生成建模领域的论文，包括自注意力GAN，逐步增长的GAN和两个时间尺度的更新规则。在撰写本文时，该项目的代码在GitHub上有超过4,000颗星。
DeOldify：https://github.com/jantic/DeOldify
BERT
基于PyTorch框架而实现的BERT也非常受欢迎。深度学习社区不断涌现的代码往往不是基于Tensorflow就是基于PyTorch，同时用两个框架实现的需求越来越大，这样可以方便整个深度学习社区使用它们。 作者Junseong Kim的工作清楚地说明了这一点。目前，这个项目的代码在github上享有超过1,500个星星。
BERT：https://github.com/codertimo/bert-pytorch
Mask R-CNN
最后，Waleed Abdulla的基于Keras / TensorFlow实现Mask R-CNN是GitHub第三个获得星数最多的代码。在架构上，该实现使用特征金字塔网络和ResNet101基础网络，并且该库可用于许多应用，例如3D建筑物重建，自动驾驶汽车的物体检测，地图中的建筑物类型探测等。该库在GitHub上有超过8,000颗星。
论文下载地址：https://arxiv.org/abs/1703.06870
代码：https://github.com/matterport/Mask_RCNN
最热门应用：NLP和GAN
在前50个流行的实现应用中，生成模型和自然语言处理（NLP）是两大最热门领域。对生成模型而言，GitHub上的流行实现包括：vid2vid，DeOldify，CycleGAN和faceswaps。而在NLP中，流行的GitHub库包括BERT，HanLP，jieba，AllenNLP和fastText。
7篇新论文中1篇有代码
你的研究没有代码，你在社区上就不会备受关注，规则就是这样简单。以下是作者分析他自己平台上的论文代码复现情况：
分析基数是过去5年中60,000多份机器学习论文，在6万篇论文中，将近12％有代码实现。在过去的6个月中，约15％的新发表论文（即七分之一的论文）都发布了实现代码。
每隔20分钟，就有一篇新的机器学习论文
自7月以来，机器学习论文的增长率一直在每月3.5％左右，以此计算，每年的增长率约为50％。这意味着每月大约2,200篇机器学习论文，预计明年将有大约30,000篇新的机器学习论文。
在过去3年中，作者网站上的机器学习论文的数量似乎比摩尔定律的增长速度更快，这让你感觉人们相信这将是未来计算技术价值的出处。
框架双头垄断：TensorFlow和PyTorch
虽然PyTorch并不落后，但网站上的大多数实现似乎都是基于TensorFlow的。其他的框架（MXNet，Torch和Caffe2）在生态系统中的存在要小得多。鉴于两个框架中都发生了变化：TensorFlow正朝着即刻执行和由Keras激发灵感的新API方向发展；PyTorch则希望能够更轻松地把模型产品化。
相关报道：https://medium.com/atlas-ml/state-of-deep-learning-h2-2018-review-cc3e490f1679
