年度大盤點：機器學習開源項目及框架

摘要： 2018年立刻就要結束了，咱們來回顧一下過去的這一年中，機器學習領域有哪些有趣的事情吧！

        咱們先來看看Mybridge AI 中排名靠前的頂級開源項目，再聊聊機器學習今年都有哪些發展，最後探尋下新的一年中會有哪些有值得咱們期待的事情。

頂級的開源項目

BERT

BERT，全稱爲Bidirectional Encoder Representations from Transformers，是一種基於TensorFlow解決天然語言處理的新方法，且性能更好。咱們可使用BERT中的 預訓練模型解決問題，該模型在性能上具備很大優點，好比能夠識別句子中的上下文。在Github中很是受歡迎，有8848個星，完整學術論文請訪問這裏。

DeepCreamPy

DeepCreamPy是一個深度學習工具，能夠像Photoshop同樣重建圖像中被刪除的區域。咱們使用圖像編輯工具（好比PS）將刪減的區域填充爲綠色，神經網絡能夠對其進行復原。該項目在Github中有6365顆星。

TRFL

TRFL項目可用於編寫TensorFlow中的強化學習代理，具體的操做文檔在這裏。

Horizon

Horizon是一個基於PyTorch構建的強化學習平臺，並使用Caffe2爲模型提供服務。Horizon的主要優點在於，設計者在設計這一平臺的時候，考慮了生產用例。想要了解更多詳細內容，請查看Facebook Research官方文檔。另外，若是你想使用Horizon，可查看該使用文檔。

DeOldify

DeOldify是一個用於着色和恢復舊圖像的深度學習庫。開發者結合了幾種不一樣的方法，來實現這一目標，其中的幾種方法包括：帶自注意力機制的生成對抗網絡（Self-Attention Generative Adversarial Networks），Progressive Growing of GANs，以及TTUR（ Two Time-Scale Update Rule）。

AdaNet

AdaNet是一個基於TensorFlow的庫，它能夠自動學習模型，且不須要不少的技術人員參與，該項目基於AdaNet算法。訪問AdaNet的官方文檔，請點擊這裏。

Graph Nets

Graph Nets是用於構建Sonnet和TensorFlow的DeepMind庫。Graph 網絡輸入一個圖形，輸出也是一個圖形。

Maskrcnn-benchmark

Maskrcnn-benchmark項目能夠幫助咱們在Pytorch中構建對象檢測和分割工具。這個庫的優點在於速度快、內存效率高，能夠進行多個GPU訓練和推斷，且爲推斷提供CPU支持。

PocketFlow

PocketFlow項目是一個加速和壓縮深度學習模型的框架。它解決了大多數深度學習模型的計算費用問題。該項目最初由騰訊AI實驗室的研究人員開發，瞭解其實現及官方文檔請點擊這裏。

MAMEToolkit

MAMEToolKit是一個訓練街機遊戲強化學習算法的庫，使用該工具能夠跟蹤遊戲狀態，同時也能夠接收遊戲幀數據。

機器學習框架的主要發展

PyTorch 1.0

在今年10月份舉辦的PyTorch會議期間，Facebook發佈了PyTorch 1.0預覽版。PyTorch 1.0解決了如下問題：訓練耗時長、聯網問題、緩慢的可擴展性以及Python編程語言帶來的一些不靈活性。

PyTorch 1.0引入了一組編譯工具Torch.jit，這將彌補生產和研究之間的差距。Torch.jit中包含Python中的Torch Script語言，在PyTorch 1.0中，咱們可使用圖形模式構建模型，這在開發高性能和低延遲的應用程序中很是有用。

Auto-Keras

你或許聽過自動化機器學習（automated machine learning），即自動化搜索機器學習模型的最佳參數。除Auto-Keras以外，還有其餘的自動化機器學習模型，好比Google的AutoML。Auto-Keras是基於Keras和ENAS編寫的，其中，ENAS是神經網絡結構搜索的最新版本。

TensorFlow Serving

使用TensorFlow Serving系統，咱們能更加輕鬆的將TensorFlow模型部署到生產環境中。雖然TensorFlow Serving在2017年就已經發布，可是今年更加註重將模型應用到生產環境環節。

Machine Learning Javascript

如今已經有一些能夠容許開發人員在瀏覽器上運行模型的Javascript框架，好比TensorFlow.js和Keras.js。其模型實現與使用的方法，與Keras或TensorFlow等常規框架很是類似。

展望將來

2019年立刻就要到了，隨着Auto-Keras等自動化工具的發展，開發人員的工做有望變得更加輕鬆。除此之外，咱們還擁有先進的研究以及優秀的社區，各種機器學習框架的性能還會更上一層樓。

原文連接