9月份最熱門的機器學習開源項目TOP 5

論文和代碼

相信你們都曾爲如何本身實現論文中的代碼而苦惱過，在互聯網上搜索相關的代碼能夠說是很是的使人煎熬。在這個 repo 中，包含了數以百計的機器學習和深度學習研究論文及其代碼。該 repo 的範圍很是驚人，能夠說是數據科學家的寶庫。該 repo 中的連接每週都會更新，值得一提的是 NIPS2018 的一些相關工做也已經被收藏進該 repo。

github 連接：https://github.com/zziz/pwc

使用深度學習進行目標檢測

目標檢測在深度學習領域普及的十分迅速，這是毋庸置疑的。包括從遊戲到監控的大量現實應用支撐起了目標檢測的主要研究對象。那麼是否有一個一站式的商店可以提供自 2014 年以來的全部頂級目標檢測算法？

恭喜你找對地方了！跟上一個 repo 相似，該 repo 中包含了目標檢測領域的主要研究論文以及他們的代碼實現。而且最棒的一點是，這些代碼有多種框架實現的版本，因此無論你是 Tensorflow、Keras、PyTorch 亦或是 Caffe 的用戶，均可以從中有所收穫。

截止目前，該倉庫中已經包含 43 個論文以及相關代碼。

github 連接：(https://github.com/hoya012/deep_learning_object_detection)

用 18 分鐘訓練 ImageNet 模型

沒錯，如今你本身也能夠在 18 分鐘內完成模型在 ImageNet 數據庫上的訓練了！Jeremy Howard 和他的團隊，根據流行的 DAWNBench 基準設計了性能超越 Google 的算法。該基準能夠測量深度學習模型的訓練時間、損耗以及其餘方面的指標。

如今你能夠在本身的機器上重現這一工做過程。該任務須要使用 Python3.6 或更高版本。

github 連接：[https://github.com/diux-dev/imagenet18]

Pypeline—建立併發數據管道

在大部分的機器學習項目中，數據工程是一個關鍵步驟。但現在，不少數據科學家都漸漸忽略了這一部分而更注重於更好的建模問題。然而，這並非一個好的作法！一個好的數據科學家須要瞭解甚至熟悉數據工做流的工做方式，包括 Hadoop、Spark 和 Dask 等等。

聽起來有些可怕嗎？看一下這個 repo 吧，Pypeline 是一個簡單卻很是有效的 Python 庫，用於建立和發送數據工做流。此 repo 的目的是解決中低級數據任務 (包括併發和並行)，在這些任務中 Spark 也許並不很是適用。

此 repo 包括代碼、基準測試、文檔和其餘資源，可幫助你成爲數據管道專家!

github 連接：[https://github.com/cgarciae/pypeln]

人人均可以成爲跳舞高手：姿態估計

表情模仿的相關算法相信你們早有耳聞，現在，AI 已經能夠根據某段視頻中人體的動做在另外一個視頻中讓目標人物作出相同的動做了。該工做是人體姿態估計領域的最新成果，小編強烈推薦讀者閱讀 GitHub 原文查看動圖，視覺效果很是震撼。

該 repo 中包含了此算法的 PyTorch 實現。此算法能夠捕捉和複製的細節很是驚人，讀者能夠克隆以後測試一下。