对于我来说，一直保持的追求有三点：技术、快乐、财富。因此，从此三点出发，记录过去一周，我所看到的，值得分享的内容，每周五把欢乐送达。
技术
1、吃鸡版超级玛丽
前段时间，一国外友人InfernoPlus竟然将吃鸡和超级玛丽相结合，自制一款网页游戏《Mario Royale》又名《超级马里奥大逃杀》，很好的诠释了万物皆可大逃杀。
先来张游戏效果图感受一下。
还是原来的背景、怀旧的音乐、熟悉的角色，但猪脚不再是一个，规则也不再温和。既然是大逃杀，该有的残酷还是要有的。不同的是玩家可以用龟壳淘汰其他玩家，也可以吃了星星之后往别人身上撞来淘汰别人。剩下的，就靠你自己的操作和对关卡的理解了。最终先通关的，就算胜利。
不过由于版权问题，该游戏上线没多久，就被叫停了，不过现在代码已经开源，感兴趣的可以看下。
项目地址：点击查看
2、在线PS
有网上写作习惯的朋友，应该或多或少都需要对图片进行一定的编辑工作。裁裁剪剪，扣个背景，压缩个图片大小的工作，完全可以通过在线PS网站解决，还是挺方便的。
当然，这个在线PS没有软件PS的功能那么强大，但胜在方便。同时，还有一些在线素材可供使用，资源还是挺丰富的，喜欢在线编辑图片的朋友，可以试试。
网站地址：点击查看
3、代码自动补全
智能补全代码早已不是梦想，各种IDE和插件都在努力帮助程序猿减少击键次数，比如获得了Trith Ventures投资的Kite。
全球有超过3万名Python开发人员使用Kite，它被誉为当前最好用的Python自动补全工具。不仅能补全代码，Kite还能帮你跳过文档了解到别人是如何实时使用函数的，同时，它也能提供你的自定义代码库里的定义和用法，连Python之父都不禁为Kite点赞。
如果你想学习起背后的一些原理，我想接下来介绍的开源项目应该会对你有所帮助。
近日，有位来自斯里兰卡的程序猿尝试用简单的深度学习模型来实现自动补全Python代码这个目标，效果意外的不错。
在这个项目中，斯里兰卡小哥用到的只是一个简单的LSTM模型。如此简单的模型下，使用深度学习来自动补全Python代码，仍可以减少30-50%的击键次数。
绿色的字母就是自动补全开始的位置，按下TAB键选择补全，高亮标注为灰色的部分就是AI补充的代码。
项目地址：点击查看
4、人机对话模型ESIM
这是阿里开源的一个人机对话模型，这一研究已被谷歌、Facebook等在内的研究者在论文中引用200多次，也一度在国际顶级对话系统评测大赛（DSTC7）上获得双料冠军，将人机对话准确率的世界纪录提升至94.1%。
项目地址：点击查看
5、推荐模型 DLRM
随着深度学习的出现，基于神经网络的个性化和推荐模型已经成为包括 Facebook 等公司构建推荐系统的重要工具。然而，这些模型与其他深度学习模型有很大的不同，因为它们必须能够处理用于描述高级属性的分类数据。对于一个神经网络来说，有效地处理这类稀疏的数据是很有挑战性的，而且由于公开的代表性模型和数据集细节的缺乏，减缓了其研究进展。
为了有助于加深人们对这一子领域的理解，Facebook 开源了一个最先进的深度学习推荐模型（DLRM），该模型是使用 Facebook 开源的 PyTorch 和 Caffe2 平台实现的。DLRM 通过将协同过滤和基于预测分析的方法的原理结合起来，改进了其他模型，从而使其能够有效地处理工业规模的数据，并提供最先进的结果。
该模型使用了各种硬件和系统组件，如内存容量和带宽，以及通信和计算资源。
项目地址：点击查看
6、DeepFaceLab
换脸一直很火，有很多的demo可以玩，例如曾经推荐过的Faceswap等，不过这些开源代码都需要对环境进行配置，需要一定的环境搭建基础，试玩成本相对较高。
DeepFaceLab也是一个开源的换脸算法，不过它的优势是集成了环境，在cpu的机器也可以运行，相对来说，更方便一些。
项目地址：点击查看
7、深度强化学习
深度学习DL大家应该都知道，分为有监督和无监督学习。强化学习RL应该也都了解，它是通过对未知环境一边探索一边建立环境模型以及学习得到一个最优策略。
那么深度强化学习DRL，你了解多少呢？DRL是将深度学习DL的感知能力和强化学习RL的决策能力相结合， 可以直接根据输入的信息进行控制，是一种更接近人类思维方式的方法。
想要学习DRL，可以看看接下来推荐的干货教程。
这份Pytorch强化学习教程一共有八章，从DQN（Deep Q-Learning）开始，步步深入，最后向你展示Rainbow到底是什么。
不仅有Jupyter Notebook，作者还在Colab上配置好了代码，无需安装，你就能直观地感受到算法的效果，甚至还可以直接在手机上进行学习，运行代码，非常方便。
项目地址：点击查看
Jupyter地址：点击查看
Colab地址：点击查看
快乐
1、灵魂六问
2、我生活中的主要矛盾
财富
上海垃圾分类执行也快半个月了，垃圾分错了是要扣钱的。
除了上海，其他城市也会陆续执行垃圾分类政策，算是一个趋势吧。
为了避免被扣钱，损失不必要的钱财，好好学习一下还是有必要的。
一些公司和个人也开始陆续推出相应的垃圾分类助手，帮助人们对垃圾进行分类。说下几款已知的小助手吧。
微信小程序，可以直接搜索“垃圾分类精灵”。
小程序有两种搜索功能：文字输入和拍照识别。
除了这两个功能外，还有一些简单的问卷测试题，以供学习。
支付宝小程序，可以直接搜“垃圾分类向导”。
支付宝的小程序和微信的小程序从功能上看是很类似的。
这两个小程序，都是个人开发者做的。通过微信小程序的版权信息中可以看出，图像识别应该采用的是百度AI开放平台提供的通用图像分析技术实现的。支付宝小程序的图像识别，是否采用类似的接口，不得而知。但测试了一些图片，从识别准确率上来看，两者水平基本持平。
说完了，个人的开发者，再看看公司的产品。
淘宝APP，目前已经支持垃圾分类识别，打开淘宝APP，使用拍照功能，就可以看到垃圾识别入口了。
不过淘宝APP，这个垃圾分类，只能是拍照识别，不能进行文字输入。
这个功能刚上线的时候，识别准确率有些低，不过经过一段时间的优化，目前准确率已经比垃圾分类精灵和垃圾分类向导高出一些了。
除了阿里，百度也在做类似的功能，目前是仅支持文字输入，用手机浏览器百度搜索xxx是什么垃圾，会有相应的分类结果。此外，百度APP近期也会在拍照功能入口处，上线垃圾分类图像识别功能，感兴趣的朋友可以关注下。
最后
本周的程序员欢乐送，到此结束，下周再会。
