AI领域发展得非常迅速，从事AI工作需要持续跟踪进展。这篇文章分享一些常用的一些在线资源。1. 论文代码：paperswithcode地址：https://paperswithcode.com/paperswithcode的目标是创建一个免费和开放的资源与机器学习论文，代码，数据集，方法和评估表。你可以很容易地浏览可用的论文（包括最先进的技术），并按主题搜索，当你想实验一些方法或将其应用到你的数据集上时，这个网站也很方便，并不需要自己编写所有的代码。尤其目前paperswithcode与arxiv已经合作，在arxiv的论文下面会展示相关的代码，尤其在找某些论文的第三方实现时非常方便。有意思是，有一个与paperswithcode相对应的paperwitoutcode网站：网址：https://www.paperswithoutcode.com/这个网站的目的是为那些试图复现不可复现论文结果的研究人员节省时间和精力。这可能是由于论文没有足够的细节，或者方法直接不起作用。无论哪种情况，作者都有机会作出回应。希望这能节省人们的时间，减少不可复制的论文。 1. 论文的第一作者将被告知并有机会作出回应。2. 有多次投票和/或链接到复制品的提交将获得优先权。3. 每一个提交将被审查，以防止垃圾邮件。如果这是一个真正的提交，期望它在24小时内被批准。2. 论文预印库：arxiv.org网址：https://arxiv.org/arXiv是康奈尔大学开放的科学论文电子预印库，涉及计算机科学、机器学习等领域。arXiv.org目前拥有8个主题领域的近200万篇学术文章，基本上，这里是寻找最新研究和最先进算法的地方。然而，现在每天都有很多新的文章加入，基本上不可能关注所有的文章。这就是为什么Andrej Karpathy创建了ArXiv Sanity Preserver，试图过滤出最重要/相关的论文。如果需要关注最新发布的计算机视觉的文章，可以看：https://arxiv.org/list/cs.CV/recent3. 走向数据科学：Towards Data Science网址：https://towardsdatascience.com/Towards Data Science是Medium最大的出版物，涵盖所有数据科学相关的主题。你可以在这里找到：兼具代码的初学者友好型教程（使用大多数流行的语言，例如Python，R，Julia，SQL等）；特定ML算法或技术的深入描述；有影响力的论文摘要；个人宠物项目的描述；该领域的最新消息；4. labml.ai：AI深度学习论文实现网址：https://nn.labml.ai/index.htmlgithub：https://github.com/deepmind/arnheim这是一个简单的PyTorch实现神经网络和相关算法的集合。这些实现都有文档说明，该网站将这些内容呈现为并列格式的笔记。我们相信这些会帮助你更好地理解这些算法。5. Artbreeder：在线创作生成图片网址：https://www.artbreeder.com/Artbreeder，原名Ganbreeder，是一个基于机器学习的艺术创作网站。通过使用StyleGAN和BigGAN模型，这款应用程序允许用户生成和修改面部、风景和绘画等类别的图像。Artbreeder的目标是成为一种新型的创造性工具，通过使它更容易合作和探索，赋予用户创造力。可以在线生成随机meme、头像、专辑封面、风景图片以及二次元头像，通过选定两个或多个图片你可以决定图片中的内容和风格。