2018年最富含金量的6款开源机器学习项目

作者: 黄善清 2019-01-07 10:50:58

 刚过去的 2018 年对人工智能与机器学习领域来说是「丰收」的一年,我们看到越来越多具有影响力的机器学习应用被开发出来,并且应用到了实际生活的诸多领域,特别是在医疗保健、金融、语音识别、增强现实和更复杂的 3D 视频应用领域。

此外,我们发现业内产生越来越多应用驱动型的研究工作,数量上甚至超过了理论驱动型研究。不可否认这种变化有其弊端,然而我们要看到它积极的一面,随着能够迅速被商业转化的研究增多,对整个行业产生了不可估量的积极影响,这在机器学习开源领域尤其明显。

***,一起看看过去一年中 6 个最实用的机器学习项目。这些项目都已发布了代码与数据集,方便个人和小团队进行学习并创造价值,这些项目也许在理论上并不具有开创性,却非常实用。

本文源自 Towards Data Science 的 George Seif,编译如下。

1)Fast.ai

开源地址:

https://github.com/fastai/fastai

Fast.ai 库能让我们通过***方案来简化神经网络的训练工程,它抽象出了在实际搭建深度神经网络过程中的所有细节工作,设计上充分考虑了从业者们构建程序的思维模式,因而非常易于使用。该库最初是为 Fast.ai 课程的学生所创建,通过简洁易懂的方式在 Pytorch 库的基础上进行编写。另外,它在文件库的整理上也是***的。(文件库地址:https://docs.fast.ai/

2)Detectron

开源地址:

https://github.com/facebookresearch/Detectron

Detectron 是由 Facebook 开发用于物体检测与实例分割的研究型平台,用深度学习框架 Caffe2 写成,包含了各类物体检测算法的实现,如:

Mask R-CNN:通过 Faster R-CNN 结构实施物体检测与实例分割。

https://arxiv.org/abs/1703.06870

RetinaNet:特征金字塔网络,通过独特的 Focal Loss 来处理具有挑战性的案例。

https://arxiv.org/abs/1708.02002

Faster R-CNN:物体检测网络中最常见的结构。

https://arxiv.org/abs/1506.01497 )

所有网络均可使用以下任一备选分类网络:

ResNeXt{50101152}

https://arxiv.org/abs/1611.05431

RESNET{50101152}

https://arxiv.org/abs/1512.03385

特征金字塔网络(使用 ResNet / ResNeXt)

https://arxiv.org/abs/1612.03144

VGG16

https://arxiv.org/abs/1612.03144

值得一提的是,这些平台功能自带 COCO 数据集上的预训练模型,这也意味着用户可以快速使用。同时这些功能均已严格按照标准评估指标在 Detectron model zoo(https://github.com/facebookresearch/Detectron/blob/master/MODEL_ZOO.md)中完成测试工作。

3)FastText

开源地址:

https://github.com/facebookresearch/fastText

这是另一项来自 Facebook 的研究成果,fastText 库专为文本表示与文本分类而编写。该库配备了预先训练好的单词向量模型,涵盖语言达 150 多种,可用于完成多项任务,包括文本分类、摘要和翻译等。

4)AutoKeras

Auto-Keras 是用于自动机器学习(AutoML)的开源软件库,由德克萨斯 A&M 大学的 DATA Lab(https://faculty.cs.tamu.edu/xiahu/index.html)与社区贡献者共同开发。AutoML 的目标是为缺乏数据科学或机器学习背景的领域专家们打造一个易于使用的深度学习工具。Auto-Keras 提供了为深度学习模型自动匹配***架构与超参数的功能。

5)Dopamine

开源地址:

https://github.com/google/dopamine

Dopamine 是 Google 专为加速强化学习算法原型设计而创建的研究框架,在严格遵照 RL 算法、指标与基准的基础上,达到灵活且易于使用的目的。

根据 Dopamine 提供的文档显示,他们产品设计原则包括:

  • 便于执行的实验:帮助新用户运行基准实验

  • 灵活的开发流程:促进更多开创性想法的诞生

  • 简洁可靠:能够落地实现一些较旧或者较流行的算法

  • 可重复性:确保结果得以复现

6)vid2vid

开源地址:

https://github.com/NVIDIA/vid2vid

vid2vid 是基于 Nvidia ***进视频到视频合成算法的 Pytorch 实现项目。视频到视频合成算法的目标是习得从输入源视频(例如一系列语义分割 mask)到输出可精确描绘源视频内容的真实渲染视频过程中的映射函数。

该库的优点在于选择的多样性:它提供了针对自动驾驶/城市场景、人脸以及人体姿势在内的不同 vid2vid 应用程序。此外,还附带了丰富的指令和功能,其中包括数据集加载、任务评估、网络训练和多 GPU!

特别提及

  • ChatterBot:用于创建对话引擎和聊天机器人的机器学习项目

开源地址:

https://github.com/gunthercox/ChatterBot

  • Kubeflow:Kubernetes 的机器学习工具包

开源地址:

https://github.com/kubeflow/kubeflow

  • imgaug:用于图像增强的深度学习项目

开源地址:

https://github.com/aleju/imgaug

  • imbalanced-learn:scikit 下的 Python 框架,专用于修复不平衡的数据集

开源地址:

https://github.com/scikit-learn-contrib/imbalanced-learn

  • mlflow:用于管理 ML 项目周期的开源平台,覆盖实验、复现与部署等流程。

开源地址:

https://github.com/mlflow/mlflow

  • AirSim:基于 Unreal Engine/ Unity 的自动驾驶汽车模拟器,由微软出品

开源地址:

https://github.com/Microsoft/AirSim

开源 技术 机器学习
上一篇:Kubeflow 公布 1.0 路线图:2019 年实现 API 稳定 下一篇:未来10年预测报告:老龄化加剧,婴幼儿市场萎缩,AI渗入各类产品
评论
取消
暂无评论,快去成为第一个评论的人吧

更多资讯推荐

轻松构建 PyTorch 生成对抗网络(GAN)

生成对抗网络(GAN)是一种生成式机器学习模型,它被广泛应用于广告、游戏、娱乐、媒体、制药等行业,可以用来创造虚构的人物、场景,模拟人脸老化,图像风格变换,以及产生化学分子式等等。

佚名 ·  1天前
新AI让教师能够快速开发智能辅导系统

通过使用一种采用人工智能的新方法,教师可以通过演示解决某个主题中的问题的几种方法来教计算机……

佚名 ·  1天前
终结重复工作!教你30分钟创建自己的深度学习机器

建立一个深度学习环境是一件很重要的事情。本文讲述使用深度学习 CommunityAMI、TMUX和 Tunneling在EC2为Jupyter Notebooks创建一个新的深度学习服务器。

读芯术 ·  2天前
化身阿凡达,国外小哥开源 AI 实时变脸工具 Avatarify

疫情期间,很多人都在用 Zoom 和 Skype 等软件进行视频会议。国外一位开发小哥觉得这样开会太无聊,于是基于 first-order-model 开发了一个能够把别人的照片套在自己脸上的“变脸”软件 Avatarify,并将其开源。

OSC神秘老司机 ·  2天前
如何用机器学习模型,为十几亿数据预测性别

基于用户画像进行广告投放,是优化投放效果、实现精准营销的基础;而人口属性中的性别、年龄等标签,又是用户画像中的基础信息。那该如何尽量准确的为数据打上这些标签?

TalkingData ·  2天前
教你轻松选择合适的机器学习算法!

机器学习方面没有免费午餐。因此,确定使用哪种算法取决于许多因素:面临的问题类型和预期的输出类型等。本文介绍了为数据集探究合适的机器学习方法时要考虑的几个因素。

布加迪 ·  2天前
画图太丑拿不出手?有人做了套机器学习专用画图模板,还有暗黑模式

论文、博客写好了,里面的图可怎么画?对于很多研究人员和开发者来说,内容的「可视化」是一个大问题。如果从头开始画,配色、空间布局都很伤脑筋,而且画丑了也拿不出手,要是有模板可以套就好了。

张倩、魔王 ·  2天前
机器学习:物联网成功的诀窍?

通过机器学习,物联网可以完美地运行。全球各地的组织正在竞相利用物联网的能力,但是,其中许多组织都被我们讨论过的一个或多个障碍所困扰。不过,不管您遇到什么问题,都可以通过结合了机器学习技术的方法来解决。

iothome ·  3天前
Copyright©2005-2020 51CTO.COM 版权所有 未经许可 请勿转载