4月份最熱門的數據科學和機器學習GitHub開源庫和Reddit話題

做者｜PRANAV DAR

編譯｜zongmumask

編輯｜Debra

AI 前線導讀：當涉及到數據科學和機器學習時，GitHub 和 Reddit 是最受歡迎的兩個平臺。 前者是代碼分享和協同工做的絕佳工具，然後者則是與全球數據科學愛好者交流的最佳平臺。今年，咱們每月都會討論最熱門的 GitHub 開源項目，從本月起，咱們將包括 Reddit 上機器學習領域最有趣的話題。

更多幹貨內容請關注微信公衆號「AI 前線」，（ID：ai-front）

4 月份一些很酷的 Python 項目開源了。 從 Deep Painterly Harmonization，一個使合成圖片很真實的庫，到 Swift for TensorFlow，這篇文章涵蓋了上個月最出色的開源項目。



咱們來看看四月關於數據科學和機器學習最熱門的開源項目和 Reddit 上最有趣的討論。

下面連接能夠查看過去三個月裏最熱門的開源項目：

• 二月

  https://www.analyticsvidhya.com/blog/2018/02/top-5-github-repositories-january-2018/

• 三月

  https://www.analyticsvidhya.com/blog/2018/03/top-5-github-repositories-february-2018/
  

• 四月

  https://www.analyticsvidhya.com/blog/2018/04/top-7-github-repositories-march-2018/
  

GitHub 開源項目

Deep Painterly Harmonization



https://github.com/luanfujun/deep-painterly-harmonization

使合成圖像看起來更加真實的技術已經發展了有些年頭。 經過深度學習，這個任務將變得更有效率，合成效果也更真實。 開發人員提出新算法，可使外部元素與手繪完美融合，最終合成效果幾乎與原始繪圖沒法區分。

上面的三張圖片 - 第三幀是最終輸出，若是沒有前面的兩張圖片，是很難知道氣球是後來合成進來的。 該算法比手動合成更精細，迄今爲止，其精細程度手動編輯也很難實現。

你能夠在這裏 AVBytes 瞭解關於 Deep Painterly Harmonization 的更多信息。

https://www.analyticsvidhya.com/blog/2018/04/add-objects-paintings-images-seamlessly-amazing-python-script/

Swift For TensorFlow



https://github.com/tensorflow/swift

在上個月的 TensorFlow 開發者峯會上亮相，如今已經在 GitHub 上向整個社區開源。 開發團隊的目標是爲 TensorFlow 提供一個新的平臺，這創建在 TensorFlow 強大的功能基礎上，同時將其可用性提高到一個全新的水平。

因爲該項目仍處於初始階段，還不適合用於構建深度學習模型。 團隊認可截止到開源面向社區，該項目離設想中的目標還有必定距離。 但其中還有不少潛力還沒有開發。

咱們在這裏

https://www.analyticsvidhya.com/blog/2018/04/swift-tensorflow-now-open-sourced-github/介紹了 Swift for TensorFlow 以供參考。

MUNIT: 多模態無監督圖像轉換



https://github.com/NVlabs/MUNIT

康奈爾大學的一個研究小組提出了多模態無監督圖像到圖像轉換（MUNIT）框架，用於將圖像從一個領域轉換到另外一個領域。 其目的是將圖像轉換成指定領域的新圖像（例如，將狗的圖像轉換爲貓）。

先前存在的方法可以僅執行給定圖像的一對一映射，不能對同一張圖像產生不一樣的輸出。 然而，MUNIT 可以產生多個輸出。 激動吧！

咱們在 AVBytes 上

https://www.analyticsvidhya.com/blog/2018/04/framework-for-unsupervised-image-to-image-translation/ 介紹了它的工做原理。

GluonNLP



https://github.com/dmlc/gluon-nlp

深度學習在天然語言處理領域取得了長足進步。 在互聯網上出現過的有不少文字能夠追溯到幾個世紀！ GluonNLP 是一個工具包，旨在讓 NLP 任務變得更簡單。 經過海量數據和構建的深度學習神經模型讓文字處理更加容易。 這使得 NLP 研究變得更加高效。

該庫擁有一個很好的文檔，以及詳細的使用示例。 該庫還有一個針對新手的 60 分鐘速成課程。

PyTorch GAN

https://github.com/eriklindernoren/PyTorch-GAN

該庫是一個金礦。 該庫收集了已經發表的關於 GAN（或生成敵對網絡）研究論文的 PyTorch 實現。 目前列出了 24 種不一樣的實現，每種實現都有其獨特之處。 該列表包含 Adversarial Autoencoders，CycleGAN，Least Squares GAN，Pix2Pix 等實現。

Reddit 討論話題

幫助用戶理解研究論文

https://www.reddit.com/r/MachineLearning/comments/8b4vi0/d_anyone_having_trouble_reading_a_particular/

若是在理解任何研究論文時遇到困難，那麼 Reddit 機器學習社區能夠提供幫助。 這是一個很是棒的想法，它已經幫助不少人在快要放棄的時候找到了問題的答案並繼續下去。

可是當你想要發帖時，要確保提供儘量詳細的信息，好比文章摘要，被卡住的地方，你本身發現了什麼，等等。這條評論總結得很好 - 「把本身當作寫論文的研究小組成員，而不是等待別人給你答案」。

關於機器智能的聲明

https://www.reddit.com/r/MachineLearning/comments/8fmtr9/d_statement_on_nature_machine_intelligence/

關於研究應該是開源仍是封閉的爭論已經持續了數十年。 最近，受歡迎的「天然」雜誌宣佈它將發佈封閉式期刊。 這致使了一場針對他們的重大運動，許多有影響力的人（Jeff Dean, Ian Goodfellow 等）在一份請願書中加入了他們的簽名，聲明他們不會向這樣的出版物投稿。

關於研究結果是否應該開源給社區有不一樣的看法。 這是一個值得了解的話題，強烈建議閱讀整個主題，看看 ML 社區對這個主題的見解。

Michael Jordan 關於 AI 現狀的演講

https://www.reddit.com/r/MachineLearning/comments/8daqki/d_very_sobering_presentation_on_the_current_state/

Michael Jordan 是伯克利的著名教授，在最近的一次演講中他詳細地談了咱們離真正的機器智能還有多遠。 這是一個思路清醒的演講，聽完會讓人對這個問題產生思考。

這個主題已經產生了超過 100 條評論，用戶充分發表了他們關於 AI 現狀的想法。 用戶的深刻討論讓這個話題變得更有意思。 這個話題仍在討論中，加入他們吧。

科學家計劃創建巨型歐洲 AI 中心與美國競爭

https://www.reddit.com/r/MachineLearning/comments/8ekmqy/scientists_plan_huge_european_ai_hub_to_compete/

這個問題裏面也有不少乾貨。 來自歐洲和美國各地的數據科學家和機器學習研究人員參與了關於 ML 的結構以及薪資的激烈討論。這裏能夠得到關於 ML 項目和潛在薪酬架構的不少觀點。

測量目標景觀的內在維度

https://www.reddit.com/r/MachineLearning/comments/8f9dvm/ruberai_measuring_the_intrinsic_dimension_of/

這個主題是從 Uber 的視頻中發展出來的，它將內在維度發展爲神經網絡的基本屬性。 若是你對視頻中提供的內容有任何疑問，社區已經詳細回答了這些問題。 最棒的彷佛是人們喜歡將一篇研究論文轉化爲一段視頻，這使得研究更容易理解。

更多幹貨內容請關注微信公衆號「AI 前線」，（ID：ai-front）