在早期工作的基础上团队哄骗网络学习较小的层

该方法不是直接存储权重，而是使用可以代表权重组的近似值。本质上，研究人员修改了现有的数据压缩方法（产品量化），以学习可行的权重近似值，该方法通过用单个值表示相似权重的组来工作，网络只能存储该值和指向它的指针。这减少了给定层中砝码所需的存储量。通过原始网络和压缩网络的层输出之间的差异，网络可为一层中的一组权重或子矢量学习一组值。

对于完全连接的层，作者将权重分组为子向量

他们选择子向量的随机子集作为起始值，然后逐层迭代地改进值，减少压缩后的神经网络与原始神经网络之间的差异，然后它们从头两个开始一次优化针对多层的压缩网络表示，并涵盖整个网络，通常，深度学习研究人员会为给定任务建立模型，后续研究会发现使用更少内存即可提供类似性能的新架构。这项工作提供了一种压缩现有体系结构的方法，可以采用任何模型，从实验室的开创性结果到现场的广泛分布，而对性能的影响小，连接的层和CNN的体系结构上演示了他们的方法，需要进一步的研究以找到其极限，并优化压缩结果以提高计算速度，压缩性能模型的能力可以将先进的AI放在您的手掌中。

数字化转型项目继续面临风险

尽管人们对数字化转型越来越乐观，但绝大多数组织仍在遭受数字化转型项目的失败，延迟或缩减期望。

企业仍在遇到满足其数字野心的问题包括：

1、实施技术的复杂性，缺乏资源和技能以及对传统技术的依赖等因素，使他们无法追求组织想要的新数字服务或其他转型项目。

2、在过去的12个月中，有的数字化转型项目失败，遭受重大延误或缩减规模。

3、他们重要的数字化转型项目进度落后或有落后的风险。

4、尽管人们经常谈论数字项目的巨大潜力，但大多数时候它们都没有真正实现变革或革命性，尽管与前两年相比有所下降。

使用人工智能追踪鸟类的夜色迁移

在春季和秋季迁徙的许多晚上，成千上万的鸟儿在日落时分飞过，飞过我们的头顶，在夜空中看不见。尽管气象局不断扫描天气雷达的网络已经记录了数十年的飞行，鸟类研究人员仍无法获得这些数据，具有时间和专业知识的鸟类学家和生态学家能够分析单个雷达图像，可以清楚地看到各种模式，从而使它们能够区分鸟类的降水并研究迁移。但是，海量的信息（超过2亿张图像和数百TB的数据）极大地限制了其对足够多的夜晚，足够多年的时间和足够的位置进行采样的能力，无法用于表征（更不用说跟踪）季节性的，遍及整个欧洲的迁徙，可以“自动处理海量数据集，该数据集已经测量了超过20年的美国鸟类迁徙情况”。“这是非常重要的进步。与手工工作的人相比，我们的结果非常好。