12個的優秀的人工智能開源項目利器

關於人工智能的項目，相信你們都看過或者用過很多了，但它們的大多數看上去都十分「高大上」，讓人感受要掌握他們猶如習屠龍之術同樣。事實上，有不少關於人工智能的項目仍是十分實用的，並且用途還十分有趣，下面就簡單爲你們盤點 12個功能獨特的開源人工智能項目。

1、多樣聚類的Scikit-learn

推薦理由： 基於Scipy爲機器學習建造的的一個Python模塊，他的特點就是多樣化的分類，迴歸和聚類的算法包括支持向量機，邏輯迴歸，樸素貝葉斯分類器，隨機森林，Gradient Boosting，聚類算法和DBSCAN。並且也設計出了Python numerical和scientific libraries Numpy and Scipy

項目地址：

https://link.zhihu.com/?target=http%3A//www.github.com/scikit-learn/scikit-learn

2、一個高效率的Ramp

推薦理由：Ramp是一個在Python語言下制定機器學習中加快原型設計的解決方案的庫程序。他是一個輕型的pandas-based機器學習中可插入的框架，它現存的Python語言下的機器學習和統計工具（好比scikit-learn,rpy2等）Ramp提供了一個簡單的聲明性語法探索功能從而可以快速有效地實施算法和轉換。

項目地址

http://www.github.com/kvh/ramp

3、 STYLE2PAINTS：強大的爲線稿上色的 AI

推薦理由：新一代的強大線稿上色 AI，可根據用戶上傳的自定義色彩給線稿進行上色。項目提供了在線使用網站，十分方便使用。

項目地址

https://www.oschina.net/p/style2paints

4、 SerpentAI：基於 Python 的教 AI 打遊戲的學習框架

推薦理由：SerpentAI 旨在爲機器學習和 AI 研究提供一個有價值的工具。但同時，對於愛好者來講，它也是很是有趣的。

Serpent.AI 中包含大量支持模塊，在以遊戲爲開發環境時常常遇到的場景提供解決方案，同時也提供加速開發的 CLI 工具。支持 Linux、Windows 和 MacOS 。

SerpentAI 是一個 Game Agent 框架（ps：在人機對戰中，爲了區分玩家，一般稱機器玩家爲 agent ），簡單而又強大。它能把任何一個遊戲變成用 Python 編寫的沙盒環境，供開發者在其中創造遊戲 Game Agent 作實驗，使用的都是開發者很是熟悉的 Python 代碼。

項目地址

https://www.oschina.net/p/serpentai

5、 Synaptic.js：用於瀏覽器的神經網絡庫

推薦理由：Synaptic.js 是一個用於 node.js 和瀏覽器的 JavaScript 神經網絡庫，能夠構建和訓練基本上任何類型的一階甚至二階神經網絡。

該項目內置了 4 種經典的神經網絡算法：多層感知器（multilayer perceptrons）、長短時間記憶網絡（multilayer long-short term memory networks）、液體狀態機（Liquid State Machine）、Hopfield神經網絡。使用 Synaptic.js ，你能夠輕鬆測試和比較不一樣體系結構的性能。

項目地址

https://www.oschina.net/p/serpentai

6、 Snake-AI：貪吃蛇遊戲的人工智能 

推薦理由：一個用 C/C++ 語言編寫的貪吃蛇遊戲的人工智能。使用了最短路徑、最長路徑、人工智能算法。

AI 的目的是讓蛇儘量的吃更多的食物，直到吃滿整個地圖。

Demo

項目地址

https://www.oschina.net/p/snake-ai

7、 Uncaptcha：破解 reCAPTCHA 系統的 AI 算法

推薦理由：unCAPTCHA 算法以 85% 的成功率擊敗了 Google reCAPTCHA 系統。它依靠音頻驗證碼攻擊 - 使用瀏覽器自動化軟件來解析必要的元素並識別語音號碼，並以編程方式傳遞這些數字，最終成功欺騙目標網站。

項目地址

https://www.oschina.net/p/uncaptcha

8、 Sockeye：基於 Apache MXNet 的神經機器翻譯框架

推薦理由：Sockeye 是一個基於 Apache MXNet 的快速而可擴展的深度學習庫。

Sockeye 代碼庫具備來自 MXNet 的獨特優點。例如，經過符號式和命令式 MXNet API，Sockeye 結合了陳述式和命令式編程風格；它一樣能夠在多塊 GPU 上並行訓練模型。

Sockeye 實現了 MXNet 上當前最佳的序列到序列模型。它一樣爲全部序列到序列模型的超參數提供恰當的默認值。對於優化，無需擔憂中止標準、指標跟蹤或者權重初始化。能夠簡單地運行已提供的訓練命令行界面（CLI），也能夠輕易改變基礎模型架構。

項目地址

https://www.oschina.net/p/sockeye

8、 CycleGAN：生成對抗網絡圖像處理工具

推薦理由：這個工具功能十分強大，不只可將繪畫做品「還原」成照片（可理解爲是一個 「反濾鏡」），還能將夏天轉換成冬天，或將普通的馬轉化成斑馬。

與其它人工智能繪畫不一樣，CycleGAN 的研究團隊試圖創建一個可雙向轉化不丟失信息的雙向算法。在 CycleGAN 裏照片的細節被要求徹底保留，研究人員但願可以將一張圖片輸入 CycleGAN 後進行屢次反覆轉化（照片→繪畫→照片→繪畫→照片），最終能夠得到與原始照片相同或相近的圖片。

項目地址

https://www.oschina.net/p/cyclegan

10、 DeepLearn.js：可實現硬件加速的機器學習 JavaScript 庫

DeepLearn.js 是谷歌推出的一個可用於機器智能並加速 WebGL 的開源 JavaScript 庫，徹底在瀏覽器中運行，不須要安裝，不須要後端處理。。

DeepLearn.js 提供高效的機器學習構建模塊，使咱們可以在瀏覽器中訓練神經網絡或在推斷模式中運行預訓練模型。它提供構建可微數據流圖的 API，以及一系列可直接使用的數學函數。

雖然瀏覽器上的機器學習庫已經存在多年（例如 Andrej Karpathy 的 convnetjs），可是它們受到 JavaScript 速度的限制，或者侷限於推理而不能用於訓練（例如 TensorFire）。相比之下，deeplearn.js 經過利用 WebGL 在GPU上執行計算，以及進行徹底反向傳播（full backpropagation）的能力，實現了顯着的加速。

項目地址

https://www.oschina.net/p/deeplearn-js

11、 TensorFire：基於 WebGL 的瀏覽器端神經網絡框架 

推薦理由：TensorFire 是基於 WebGL 的，運行在瀏覽器中的神經網絡框架。使用 TensorFire 編寫的應用可以在實現前沿深度學習算法的同時，不須要任何的安裝或者配置就直接運行在現代瀏覽器中。

與以前某些瀏覽器內的神經網絡框架相比，TensorFire 有着近百倍的速度提高，甚至於可以與那些運行在本地 CPU 上的代碼性能相媲美。

開發者也可使用 TensorFire 提供的底層接口來進行其餘的高性能計算，譬如 PageRank、元胞自動機仿真、圖片轉化與過濾等等。

項目地址

https://www.oschina.net/p/tensorfire

12、PHP-ML：PHP 機器學習庫

推薦理由：咱們都知道 Python 或者是 C++ 提供了更多機器學習的庫，但他們大多都比較複雜，配置起來讓不少新手感到頭疼。PHP-ML 這個機器學習庫雖然沒有特別高大上的算法，但其具備最基本的機器學習、分類等算法，小項目或者小公司作一些簡單的數據分析、預測等等足以夠用。

PHP-ML 是使用 PHP 編寫的機器學習庫。同時包含算法，交叉驗證，神經網絡，預處理，特徵提取等。

項目地址

https://www.oschina.net/p/php-ml

閱讀更多

Android高級進階之FFmpeg視頻播放

11個優秀的Android開源項目

Android開發者不可錯過的11個開源項目

NDK項目實戰—高仿360手機助手之卸載監聽

相信本身，沒有作不到的，只有想不到的，若是你以爲此文對您有所幫助， 歡迎關注。日 更 精 彩 微 信 號：codeGoogler 關於人工智能的項目，相信你們都看過或者用過很多了，但它們的大多數看上去都十分「高大上」，讓人感受要掌握他們猶如習屠龍之術同樣。事實上，有不少關於人工智能的項目仍是十分實用的，並且用途還十分有趣，下面就簡單爲你們盤點 12個功能獨特的開源人工智能項目。

1、多樣聚類的Scikit-learn

推薦理由： 基於Scipy爲機器學習建造的的一個Python模塊，他的特點就是多樣化的分類，迴歸和聚類的算法包括支持向量機，邏輯迴歸，樸素貝葉斯分類器，隨機森林，Gradient Boosting，聚類算法和DBSCAN。並且也設計出了Python numerical和scientific libraries Numpy and Scipy

項目地址：

https://link.zhihu.com/?target=http%3A//www.github.com/scikit-learn/scikit-learn

2、一個高效率的Ramp

推薦理由：Ramp是一個在Python語言下制定機器學習中加快原型設計的解決方案的庫程序。他是一個輕型的pandas-based機器學習中可插入的框架，它現存的Python語言下的機器學習和統計工具（好比scikit-learn,rpy2等）Ramp提供了一個簡單的聲明性語法探索功能從而可以快速有效地實施算法和轉換。

項目地址

http://www.github.com/kvh/ramp

3、 STYLE2PAINTS：強大的爲線稿上色的 AI

推薦理由：新一代的強大線稿上色 AI，可根據用戶上傳的自定義色彩給線稿進行上色。項目提供了在線使用網站，十分方便使用。

[圖片上傳失敗...(image-a09db7-1513783284687)]

項目地址

https://www.oschina.net/p/style2paints

4、 SerpentAI：基於 Python 的教 AI 打遊戲的學習框架

推薦理由：SerpentAI 旨在爲機器學習和 AI 研究提供一個有價值的工具。但同時，對於愛好者來講，它也是很是有趣的。

[圖片上傳失敗...(image-d786a5-1513783284687)]

Serpent.AI 中包含大量支持模塊，在以遊戲爲開發環境時常常遇到的場景提供解決方案，同時也提供加速開發的 CLI 工具。支持 Linux、Windows 和 MacOS 。

SerpentAI 是一個 Game Agent 框架（ps：在人機對戰中，爲了區分玩家，一般稱機器玩家爲 agent ），簡單而又強大。它能把任何一個遊戲變成用 Python 編寫的沙盒環境，供開發者在其中創造遊戲 Game Agent 作實驗，使用的都是開發者很是熟悉的 Python 代碼。

項目地址

https://www.oschina.net/p/serpentai

5、 Synaptic.js：用於瀏覽器的神經網絡庫

推薦理由：Synaptic.js 是一個用於 node.js 和瀏覽器的 JavaScript 神經網絡庫，能夠構建和訓練基本上任何類型的一階甚至二階神經網絡。

該項目內置了 4 種經典的神經網絡算法：多層感知器（multilayer perceptrons）、長短時間記憶網絡（multilayer long-short term memory networks）、液體狀態機（Liquid State Machine）、Hopfield神經網絡。使用 Synaptic.js ，你能夠輕鬆測試和比較不一樣體系結構的性能。

項目地址

https://www.oschina.net/p/serpentai

6、 Snake-AI：貪吃蛇遊戲的人工智能 

推薦理由：一個用 C/C++ 語言編寫的貪吃蛇遊戲的人工智能。使用了最短路徑、最長路徑、人工智能算法。

AI 的目的是讓蛇儘量的吃更多的食物，直到吃滿整個地圖。

Demo

[站外圖片上傳中...(image-3b3c76-1513783284687)]

項目地址

https://www.oschina.net/p/snake-ai

7、 Uncaptcha：破解 reCAPTCHA 系統的 AI 算法

推薦理由：unCAPTCHA 算法以 85% 的成功率擊敗了 Google reCAPTCHA 系統。它依靠音頻驗證碼攻擊 - 使用瀏覽器自動化軟件來解析必要的元素並識別語音號碼，並以編程方式傳遞這些數字，最終成功欺騙目標網站。

[圖片上傳失敗...(image-c9e0c3-1513783284687)]

項目地址

https://www.oschina.net/p/uncaptcha

8、 Sockeye：基於 Apache MXNet 的神經機器翻譯框架

推薦理由：Sockeye 是一個基於 Apache MXNet 的快速而可擴展的深度學習庫。

Sockeye 代碼庫具備來自 MXNet 的獨特優點。例如，經過符號式和命令式 MXNet API，Sockeye 結合了陳述式和命令式編程風格；它一樣能夠在多塊 GPU 上並行訓練模型。

Sockeye 實現了 MXNet 上當前最佳的序列到序列模型。它一樣爲全部序列到序列模型的超參數提供恰當的默認值。對於優化，無需擔憂中止標準、指標跟蹤或者權重初始化。能夠簡單地運行已提供的訓練命令行界面（CLI），也能夠輕易改變基礎模型架構。

項目地址

https://www.oschina.net/p/sockeye

8、 CycleGAN：生成對抗網絡圖像處理工具

推薦理由：這個工具功能十分強大，不只可將繪畫做品「還原」成照片（可理解爲是一個 「反濾鏡」），還能將夏天轉換成冬天，或將普通的馬轉化成斑馬。

[圖片上傳失敗...(image-83e636-1513783284687)]

與其它人工智能繪畫不一樣，CycleGAN 的研究團隊試圖創建一個可雙向轉化不丟失信息的雙向算法。在 CycleGAN 裏照片的細節被要求徹底保留，研究人員但願可以將一張圖片輸入 CycleGAN 後進行屢次反覆轉化（照片→繪畫→照片→繪畫→照片），最終能夠得到與原始照片相同或相近的圖片。

[圖片上傳失敗...(image-46159d-1513783284687)]

項目地址

https://www.oschina.net/p/cyclegan

10、 DeepLearn.js：可實現硬件加速的機器學習 JavaScript 庫

DeepLearn.js 是谷歌推出的一個可用於機器智能並加速 WebGL 的開源 JavaScript 庫，徹底在瀏覽器中運行，不須要安裝，不須要後端處理。。

[圖片上傳失敗...(image-89d857-1513783284687)]

DeepLearn.js 提供高效的機器學習構建模塊，使咱們可以在瀏覽器中訓練神經網絡或在推斷模式中運行預訓練模型。它提供構建可微數據流圖的 API，以及一系列可直接使用的數學函數。

雖然瀏覽器上的機器學習庫已經存在多年（例如 Andrej Karpathy 的 convnetjs），可是它們受到 JavaScript 速度的限制，或者侷限於推理而不能用於訓練（例如 TensorFire）。相比之下，deeplearn.js 經過利用 WebGL 在GPU上執行計算，以及進行徹底反向傳播（full backpropagation）的能力，實現了顯着的加速。

項目地址

https://www.oschina.net/p/deeplearn-js

11、 TensorFire：基於 WebGL 的瀏覽器端神經網絡框架 

推薦理由：TensorFire 是基於 WebGL 的，運行在瀏覽器中的神經網絡框架。使用 TensorFire 編寫的應用可以在實現前沿深度學習算法的同時，不須要任何的安裝或者配置就直接運行在現代瀏覽器中。

[站外圖片上傳中...(image-2951b5-1513783284687)]

與以前某些瀏覽器內的神經網絡框架相比，TensorFire 有着近百倍的速度提高，甚至於可以與那些運行在本地 CPU 上的代碼性能相媲美。

開發者也可使用 TensorFire 提供的底層接口來進行其餘的高性能計算，譬如 PageRank、元胞自動機仿真、圖片轉化與過濾等等。

項目地址

https://www.oschina.net/p/tensorfire

12、PHP-ML：PHP 機器學習庫

推薦理由：咱們都知道 Python 或者是 C++ 提供了更多機器學習的庫，但他們大多都比較複雜，配置起來讓不少新手感到頭疼。PHP-ML 這個機器學習庫雖然沒有特別高大上的算法，但其具備最基本的機器學習、分類等算法，小項目或者小公司作一些簡單的數據分析、預測等等足以夠用。

[圖片上傳失敗...(image-9a5c74-1513783284687)]

PHP-ML 是使用 PHP 編寫的機器學習庫。同時包含算法，交叉驗證，神經網絡，預處理，特徵提取等。

項目地址

https://www.oschina.net/p/php-ml

閱讀更多

Android高級進階之FFmpeg視頻播放

11個優秀的Android開源項目

Android開發者不可錯過的11個開源項目

NDK項目實戰—高仿360手機助手之卸載監聽

關於人工智能的項目，相信你們都看過或者用過很多了，但它們的大多數看上去都十分「高大上」，讓人感受要掌握他們猶如習屠龍之術同樣。事實上，有不少關於人工智能的項目仍是十分實用的，並且用途還十分有趣，下面就簡單爲你們盤點 12個功能獨特的開源人工智能項目。

1、多樣聚類的Scikit-learn

推薦理由： 基於Scipy爲機器學習建造的的一個Python模塊，他的特點就是多樣化的分類，迴歸和聚類的算法包括支持向量機，邏輯迴歸，樸素貝葉斯分類器，隨機森林，Gradient Boosting，聚類算法和DBSCAN。並且也設計出了Python numerical和scientific libraries Numpy and Scipy

項目地址：

https://link.zhihu.com/?target=http%3A//www.github.com/scikit-learn/scikit-learn

2、一個高效率的Ramp

推薦理由：Ramp是一個在Python語言下制定機器學習中加快原型設計的解決方案的庫程序。他是一個輕型的pandas-based機器學習中可插入的框架，它現存的Python語言下的機器學習和統計工具（好比scikit-learn,rpy2等）Ramp提供了一個簡單的聲明性語法探索功能從而可以快速有效地實施算法和轉換。

項目地址

http://www.github.com/kvh/ramp

3、 STYLE2PAINTS：強大的爲線稿上色的 AI

推薦理由：新一代的強大線稿上色 AI，可根據用戶上傳的自定義色彩給線稿進行上色。項目提供了在線使用網站，十分方便使用。

[圖片上傳失敗...(image-a09db7-1513783284687)]

項目地址

https://www.oschina.net/p/style2paints

4、 SerpentAI：基於 Python 的教 AI 打遊戲的學習框架

推薦理由：SerpentAI 旨在爲機器學習和 AI 研究提供一個有價值的工具。但同時，對於愛好者來講，它也是很是有趣的。

[圖片上傳失敗...(image-d786a5-1513783284687)]

Serpent.AI 中包含大量支持模塊，在以遊戲爲開發環境時常常遇到的場景提供解決方案，同時也提供加速開發的 CLI 工具。支持 Linux、Windows 和 MacOS 。

SerpentAI 是一個 Game Agent 框架（ps：在人機對戰中，爲了區分玩家，一般稱機器玩家爲 agent ），簡單而又強大。它能把任何一個遊戲變成用 Python 編寫的沙盒環境，供開發者在其中創造遊戲 Game Agent 作實驗，使用的都是開發者很是熟悉的 Python 代碼。

項目地址

https://www.oschina.net/p/serpentai

5、 Synaptic.js：用於瀏覽器的神經網絡庫

推薦理由：Synaptic.js 是一個用於 node.js 和瀏覽器的 JavaScript 神經網絡庫，能夠構建和訓練基本上任何類型的一階甚至二階神經網絡。

該項目內置了 4 種經典的神經網絡算法：多層感知器（multilayer perceptrons）、長短時間記憶網絡（multilayer long-short term memory networks）、液體狀態機（Liquid State Machine）、Hopfield神經網絡。使用 Synaptic.js ，你能夠輕鬆測試和比較不一樣體系結構的性能。

項目地址

https://www.oschina.net/p/serpentai

6、 Snake-AI：貪吃蛇遊戲的人工智能 

推薦理由：一個用 C/C++ 語言編寫的貪吃蛇遊戲的人工智能。使用了最短路徑、最長路徑、人工智能算法。

AI 的目的是讓蛇儘量的吃更多的食物，直到吃滿整個地圖。

Demo

[圖片上傳失敗...(image-3b3c76-1513783284687)]

項目地址

https://www.oschina.net/p/snake-ai

7、 Uncaptcha：破解 reCAPTCHA 系統的 AI 算法

推薦理由：unCAPTCHA 算法以 85% 的成功率擊敗了 Google reCAPTCHA 系統。它依靠音頻驗證碼攻擊 - 使用瀏覽器自動化軟件來解析必要的元素並識別語音號碼，並以編程方式傳遞這些數字，最終成功欺騙目標網站。

[圖片上傳失敗...(image-c9e0c3-1513783284687)]

項目地址

https://www.oschina.net/p/uncaptcha

8、 Sockeye：基於 Apache MXNet 的神經機器翻譯框架

推薦理由：Sockeye 是一個基於 Apache MXNet 的快速而可擴展的深度學習庫。

Sockeye 代碼庫具備來自 MXNet 的獨特優點。例如，經過符號式和命令式 MXNet API，Sockeye 結合了陳述式和命令式編程風格；它一樣能夠在多塊 GPU 上並行訓練模型。

Sockeye 實現了 MXNet 上當前最佳的序列到序列模型。它一樣爲全部序列到序列模型的超參數提供恰當的默認值。對於優化，無需擔憂中止標準、指標跟蹤或者權重初始化。能夠簡單地運行已提供的訓練命令行界面（CLI），也能夠輕易改變基礎模型架構。

項目地址

https://www.oschina.net/p/sockeye

8、 CycleGAN：生成對抗網絡圖像處理工具

推薦理由：這個工具功能十分強大，不只可將繪畫做品「還原」成照片（可理解爲是一個 「反濾鏡」），還能將夏天轉換成冬天，或將普通的馬轉化成斑馬。

[站外圖片上傳中...(image-83e636-1513783284687)]

與其它人工智能繪畫不一樣，CycleGAN 的研究團隊試圖創建一個可雙向轉化不丟失信息的雙向算法。在 CycleGAN 裏照片的細節被要求徹底保留，研究人員但願可以將一張圖片輸入 CycleGAN 後進行屢次反覆轉化（照片→繪畫→照片→繪畫→照片），最終能夠得到與原始照片相同或相近的圖片。

[圖片上傳失敗...(image-46159d-1513783284687)]

項目地址

https://www.oschina.net/p/cyclegan

10、 DeepLearn.js：可實現硬件加速的機器學習 JavaScript 庫

DeepLearn.js 是谷歌推出的一個可用於機器智能並加速 WebGL 的開源 JavaScript 庫，徹底在瀏覽器中運行，不須要安裝，不須要後端處理。。

[圖片上傳失敗...(image-89d857-1513783284687)]

DeepLearn.js 提供高效的機器學習構建模塊，使咱們可以在瀏覽器中訓練神經網絡或在推斷模式中運行預訓練模型。它提供構建可微數據流圖的 API，以及一系列可直接使用的數學函數。

雖然瀏覽器上的機器學習庫已經存在多年（例如 Andrej Karpathy 的 convnetjs），可是它們受到 JavaScript 速度的限制，或者侷限於推理而不能用於訓練（例如 TensorFire）。相比之下，deeplearn.js 經過利用 WebGL 在GPU上執行計算，以及進行徹底反向傳播（full backpropagation）的能力，實現了顯着的加速。

項目地址關於人工智能的項目，相信你們都看過或者用過很多了，但它們的大多數看上去都十分「高大上」，讓人感受要掌握他們猶如習屠龍之術同樣。事實上，有不少關於人工智能的項目仍是十分實用的，並且用途還十分有趣，下面就簡單爲你們盤點 12個功能獨特的開源人工智能項目。

1、多樣聚類的Scikit-learn

推薦理由： 基於Scipy爲機器學習建造的的一個Python模塊，他的特點就是多樣化的分類，迴歸和聚類的算法包括支持向量機，邏輯迴歸，樸素貝葉斯分類器，隨機森林，Gradient Boosting，聚類算法和DBSCAN。並且也設計出了Python numerical和scientific libraries Numpy and Scipy

項目地址：

https://link.zhihu.com/?target=http%3A//www.github.com/scikit-learn/scikit-learn

2、一個高效率的Ramp

推薦理由：Ramp是一個在Python語言下制定機器學習中加快原型設計的解決方案的庫程序。他是一個輕型的pandas-based機器學習中可插入的框架，它現存的Python語言下的機器學習和統計工具（好比scikit-learn,rpy2等）Ramp提供了一個簡單的聲明性語法探索功能從而可以快速有效地實施算法和轉換。

項目地址

http://www.github.com/kvh/ramp

3、 STYLE2PAINTS：強大的爲線稿上色的 AI

推薦理由：新一代的強大線稿上色 AI，可根據用戶上傳的自定義色彩給線稿進行上色。項目提供了在線使用網站，十分方便使用。

[圖片上傳失敗...(image-cf04d1-1513783312474)]

項目地址

https://www.oschina.net/p/style2paints

4、 SerpentAI：基於 Python 的教 AI 打遊戲的學習框架

推薦理由：SerpentAI 旨在爲機器學習和 AI 研究提供一個有價值的工具。但同時，對於愛好者來講，它也是很是有趣的。

[圖片上傳失敗...(image-1b6d7c-1513783312474)]

Serpent.AI 中包含大量支持模塊，在以遊戲爲開發環境時常常遇到的場景提供解決方案，同時也提供加速開發的 CLI 工具。支持 Linux、Windows 和 MacOS 。

SerpentAI 是一個 Game Agent 框架（ps：在人機對戰中，爲了區分玩家，一般稱機器玩家爲 agent ），簡單而又強大。它能把任何一個遊戲變成用 Python 編寫的沙盒環境，供開發者在其中創造遊戲 Game Agent 作實驗，使用的都是開發者很是熟悉的 Python 代碼。

項目地址

https://www.oschina.net/p/serpentai

5、 Synaptic.js：用於瀏覽器的神經網絡庫

推薦理由：Synaptic.js 是一個用於 node.js 和瀏覽器的 JavaScript 神經網絡庫，能夠構建和訓練基本上任何類型的一階甚至二階神經網絡。

該項目內置了 4 種經典的神經網絡算法：多層感知器（multilayer perceptrons）、長短時間記憶網絡（multilayer long-short term memory networks）、液體狀態機（Liquid State Machine）、Hopfield神經網絡。使用 Synaptic.js ，你能夠輕鬆測試和比較不一樣體系結構的性能。

項目地址

https://www.oschina.net/p/serpentai

6、 Snake-AI：貪吃蛇遊戲的人工智能 

推薦理由：一個用 C/C++ 語言編寫的貪吃蛇遊戲的人工智能。使用了最短路徑、最長路徑、人工智能算法。

AI 的目的是讓蛇儘量的吃更多的食物，直到吃滿整個地圖。

Demo

[圖片上傳失敗...(image-dfc3c6-1513783312474)]

項目地址

https://www.oschina.net/p/snake-ai

7、 Uncaptcha：破解 reCAPTCHA 系統的 AI 算法

推薦理由：unCAPTCHA 算法以 85% 的成功率擊敗了 Google reCAPTCHA 系統。它依靠音頻驗證碼攻擊 - 使用瀏覽器自動化軟件來解析必要的元素並識別語音號碼，並以編程方式傳遞這些數字，最終成功欺騙目標網站。

[圖片上傳失敗...(image-24afb-1513783312474)]

項目地址

https://www.oschina.net/p/uncaptcha

8、 Sockeye：基於 Apache MXNet 的神經機器翻譯框架

推薦理由：Sockeye 是一個基於 Apache MXNet 的快速而可擴展的深度學習庫。

Sockeye 代碼庫具備來自 MXNet 的獨特優點。例如，經過符號式和命令式 MXNet API，Sockeye 結合了陳述式和命令式編程風格；它一樣能夠在多塊 GPU 上並行訓練模型。

Sockeye 實現了 MXNet 上當前最佳的序列到序列模型。它一樣爲全部序列到序列模型的超參數提供恰當的默認值。對於優化，無需擔憂中止標準、指標跟蹤或者權重初始化。能夠簡單地運行已提供的訓練命令行界面（CLI），也能夠輕易改變基礎模型架構。

項目地址

https://www.oschina.net/p/sockeye

8、 CycleGAN：生成對抗網絡圖像處理工具

推薦理由：這個工具功能十分強大，不只可將繪畫做品「還原」成照片（可理解爲是一個 「反濾鏡」），還能將夏天轉換成冬天，或將普通的馬轉化成斑馬。

[圖片上傳失敗...(image-b795c3-1513783312474)]

與其它人工智能繪畫不一樣，CycleGAN 的研究團隊試圖創建一個可雙向轉化不丟失信息的雙向算法。在 CycleGAN 裏照片的細節被要求徹底保留，研究人員但願可以將一張圖片輸入 CycleGAN 後進行屢次反覆轉化（照片→繪畫→照片→繪畫→照片），最終能夠得到與原始照片相同或相近的圖片。

[圖片上傳失敗...(image-bd1c1c-1513783312474)]

項目地址

https://www.oschina.net/p/cyclegan

10、 DeepLearn.js：可實現硬件加速的機器學習 JavaScript 庫

DeepLearn.js 是谷歌推出的一個可用於機器智能並加速 WebGL 的開源 JavaScript 庫，徹底在瀏覽器中運行，不須要安裝，不須要後端處理。。

[圖片上傳失敗...(image-d198e0-1513783312474)]

DeepLearn.js 提供高效的機器學習構建模塊，使咱們可以在瀏覽器中訓練神經網絡或在推斷模式中運行預訓練模型。它提供構建可微數據流圖的 API，以及一系列可直接使用的數學函數。

雖然瀏覽器上的機器學習庫已經存在多年（例如 Andrej Karpathy 的 convnetjs），可是它們受到 JavaScript 速度的限制，或者侷限於推理而不能用於訓練（例如 TensorFire）。相比之下，deeplearn.js 經過利用 WebGL 在GPU上執行計算，以及進行徹底反向傳播（full backpropagation）的能力，實現了顯着的加速。

項目地址

https://www.oschina.net/p/deeplearn-js

11、 TensorFire：基於 WebGL 的瀏覽器端神經網絡框架 

推薦理由：TensorFire 是基於 WebGL 的，運行在瀏覽器中的神經網絡框架。使用 TensorFire 編寫的應用可以在實現前沿深度學習算法的同時，不須要任何的安裝或者配置就直接運行在現代瀏覽器中。

[圖片上傳失敗...(image-7918d5-1513783312474)]

與以前某些瀏覽器內的神經網絡框架相比，TensorFire 有着近百倍的速度提高，甚至於可以與那些運行在本地 CPU 上的代碼性能相媲美。

開發者也可使用 TensorFire 提供的底層接口來進行其餘的高性能計算，譬如 PageRank、元胞自動機仿真、圖片轉化與過濾等等。

項目地址

https://www.oschina.net/p/tensorfire

12、PHP-ML：PHP 機器學習庫

推薦理由：咱們都知道 Python 或者是 C++ 提供了更多機器學習的庫，但他們大多都比較複雜，配置起來讓不少新手感到頭疼。PHP-ML 這個機器學習庫雖然沒有特別高大上的算法，但其具備最基本的機器學習、分類等算法，小項目或者小公司作一些簡單的數據分析、預測等等足以夠用。

[圖片上傳失敗...(image-2be3bd-1513783312474)]

PHP-ML 是使用 PHP 編寫的機器學習庫。同時包含算法，交叉驗證，神經網絡，預處理，特徵提取等。

項目地址

https://www.oschina.net/p/php-ml

閱讀更多

Android高級進階之FFmpeg視頻播放

11個優秀的Android開源項目

Android開發者不可錯過的11個開源項目

NDK項目實戰—高仿360手機助手之卸載監聽

相信本身，沒有作不到的，只有想不到的，若是你以爲此文對您有所幫助， 歡迎關注。日 更 精 彩 微 信 號：codeGoogler

https://www.oschina.net/p/deeplearn-js

11、 TensorFire：基於 WebGL 的瀏覽器端神經網絡框架 

推薦理由：TensorFire 是基於 WebGL 的，運行在瀏覽器中的神經網絡框架。使用 TensorFire 編寫的應用可以在實現前沿深度學習算法的同時，不須要任何的安裝或者配置就直接運行在現代瀏覽器中。

[站外圖片上傳中...(image-2951b5-1513783284687)]

與以前某些瀏覽器內的神經網絡框架相比，TensorFire 有着近百倍的速度提高，甚至於可以與那些運行在本地 CPU 上的代碼性能相媲美。

開發者也可使用 TensorFire 提供的底層接口來進行其餘的高性能計算，譬如 PageRank、元胞自動機仿真、圖片轉化與過濾等等。

項目地址

https://www.oschina.net/p/tensorfire

12、PHP-ML：PHP 機器學習庫

推薦理由：咱們都知道 Python 或者是 C++ 提供了更多機器學習的庫，但他們大多都比較複雜，配置起來讓不少新手感到頭疼。PHP-ML 這個機器學習庫雖然沒有特別高大上的算法，但其具備最基本的機器學習、分類等算法，小項目或者小公司作一些簡單的數據分析、預測等等足以夠用。

[圖片上傳失敗...(image-9a5c74-1513783284687)]

PHP-ML 是使用 PHP 編寫的機器學習庫。同時包含算法，交叉驗證，神經網絡，預處理，特徵提取等。

項目地址

https://www.oschina.net/p/php-ml

閱讀更多

Android高級進階之FFmpeg視頻播放

11個優秀的Android開源項目

Android開發者不可錯過的11個開源項目

NDK項目實戰—高仿360手機助手之卸載監聽

關於人工智能的項目，相信你們都看過或者用過很多了，但它們的大多數看上去都十分「高大上」，讓人感受要掌握他們猶如習屠龍之術同樣。事實上，有不少關於人工智能的項目仍是十分實用的，並且用途還十分有趣，下面就簡單爲你們盤點 12個功能獨特的開源人工智能項目。

1、多樣聚類的Scikit-learn

推薦理由： 基於Scipy爲機器學習建造的的一個Python模塊，他的特點就是多樣化的分類，迴歸和聚類的算法包括支持向量機，邏輯迴歸，樸素貝葉斯分類器，隨機森林，Gradient Boosting，聚類算法和DBSCAN。並且也設計出了Python numerical和scientific libraries Numpy and Scipy

項目地址：

https://link.zhihu.com/?target=http%3A//www.github.com/scikit-learn/scikit-learn

2、一個高效率的Ramp

推薦理由：Ramp是一個在Python語言下制定機器學習中加快原型設計的解決方案的庫程序。他是一個輕型的pandas-based機器學習中可插入的框架，它現存的Python語言下的機器學習和統計工具（好比scikit-learn,rpy2等）Ramp提供了一個簡單的聲明性語法探索功能從而可以快速有效地實施算法和轉換。

項目地址

http://www.github.com/kvh/ramp

3、 STYLE2PAINTS：強大的爲線稿上色的 AI

推薦理由：新一代的強大線稿上色 AI，可根據用戶上傳的自定義色彩給線稿進行上色。項目提供了在線使用網站，十分方便使用。

[圖片上傳失敗...(image-a09db7-1513783284687)]

項目地址

https://www.oschina.net/p/style2paints

4、 SerpentAI：基於 Python 的教 AI 打遊戲的學習框架

推薦理由：SerpentAI 旨在爲機器學習和 AI 研究提供一個有價值的工具。但同時，對於愛好者來講，它也是很是有趣的。

[圖片上傳失敗...(image-d786a5-1513783284687)]

Serpent.AI 中包含大量支持模塊，在以遊戲爲開發環境時常常遇到的場景提供解決方案，同時也提供加速開發的 CLI 工具。支持 Linux、Windows 和 MacOS 。

SerpentAI 是一個 Game Agent 框架（ps：在人機對戰中，爲了區分玩家，一般稱機器玩家爲 agent ），簡單而又強大。它能把任何一個遊戲變成用 Python 編寫的沙盒環境，供開發者在其中創造遊戲 Game Agent 作實驗，使用的都是開發者很是熟悉的 Python 代碼。

項目地址

https://www.oschina.net/p/serpentai

5、 Synaptic.js：用於瀏覽器的神經網絡庫

推薦理由：Synaptic.js 是一個用於 node.js 和瀏覽器的 JavaScript 神經網絡庫，能夠構建和訓練基本上任何類型的一階甚至二階神經網絡。

該項目內置了 4 種經典的神經網絡算法：多層感知器（multilayer perceptrons）、長短時間記憶網絡（multilayer long-short term memory networks）、液體狀態機（Liquid State Machine）、Hopfield神經網絡。使用 Synaptic.js ，你能夠輕鬆測試和比較不一樣體系結構的性能。

項目地址

https://www.oschina.net/p/serpentai

6、 Snake-AI：貪吃蛇遊戲的人工智能 

推薦理由：一個用 C/C++ 語言編寫的貪吃蛇遊戲的人工智能。使用了最短路徑、最長路徑、人工智能算法。

AI 的目的是讓蛇儘量的吃更多的食物，直到吃滿整個地圖。

Demo

[站外圖片上傳中...(image-3b3c76-1513783284687)]

項目地址

https://www.oschina.net/p/snake-ai

7、 Uncaptcha：破解 reCAPTCHA 系統的 AI 算法

推薦理由：unCAPTCHA 算法以 85% 的成功率擊敗了 Google reCAPTCHA 系統。它依靠音頻驗證碼攻擊 - 使用瀏覽器自動化軟件來解析必要的元素並識別語音號碼，並以編程方式傳遞這些數字，最終成功欺騙目標網站。

[圖片上傳失敗...(image-c9e0c3-1513783284687)]

項目地址

https://www.oschina.net/p/uncaptcha

8、 Sockeye：基於 Apache MXNet 的神經機器翻譯框架

推薦理由：Sockeye 是一個基於 Apache MXNet 的快速而可擴展的深度學習庫。

Sockeye 代碼庫具備來自 MXNet 的獨特優點。例如，經過符號式和命令式 MXNet API，Sockeye 結合了陳述式和命令式編程風格；它一樣能夠在多塊 GPU 上並行訓練模型。

Sockeye 實現了 MXNet 上當前最佳的序列到序列模型。它一樣爲全部序列到序列模型的超參數提供恰當的默認值。對於優化，無需擔憂中止標準、指標跟蹤或者權重初始化。能夠簡單地運行已提供的訓練命令行界面（CLI），也能夠輕易改變基礎模型架構。

項目地址

https://www.oschina.net/p/sockeye

8、 CycleGAN：生成對抗網絡圖像處理工具

推薦理由：這個工具功能十分強大，不只可將繪畫做品「還原」成照片（可理解爲是一個 「反濾鏡」），還能將夏天轉換成冬天，或將普通的馬轉化成斑馬。

[站外圖片上傳中...(image-83e636-1513783284687)]

與其它人工智能繪畫不一樣，CycleGAN 的研究團隊試圖創建一個可雙向轉化不丟失信息的雙向算法。在 CycleGAN 裏照片的細節被要求徹底保留，研究人員但願可以將一張圖片輸入 CycleGAN 後進行屢次反覆轉化（照片→繪畫→照片→繪畫→照片），最終能夠得到與原始照片相同或相近的圖片。

[圖片上傳失敗...(image-46159d-1513783284687)]

項目地址

https://www.oschina.net/p/cyclegan

10、 DeepLearn.js：可實現硬件加速的機器學習 JavaScript 庫

DeepLearn.js 是谷歌推出的一個可用於機器智能並加速 WebGL 的開源 JavaScript 庫，徹底在瀏覽器中運行，不須要安裝，不須要後端處理。。

[圖片上傳失敗...(image-89d857-1513783284687)]

DeepLearn.js 提供高效的機器學習構建模塊，使咱們可以在瀏覽器中訓練神經網絡或在推斷模式中運行預訓練模型。它提供構建可微數據流圖的 API，以及一系列可直接使用的數學函數。

雖然瀏覽器上的機器學習庫已經存在多年（例如 Andrej Karpathy 的 convnetjs），可是它們受到 JavaScript 速度的限制，或者侷限於推理而不能用於訓練（例如 TensorFire）。相比之下，deeplearn.js 經過利用 WebGL 在GPU上執行計算，以及進行徹底反向傳播（full backpropagation）的能力，實現了顯着的加速。

項目地址

https://www.oschina.net/p/deeplearn-js

11、 TensorFire：基於 WebGL 的瀏覽器端神經網絡框架 

推薦理由：TensorFire 是基於 WebGL 的，運行在瀏覽器中的神經網絡框架。使用 TensorFire 編寫的應用可以在實現前沿深度學習算法的同時，不須要任何的安裝或者配置就直接運行在現代瀏覽器中。

[圖片上傳失敗...(image-2951b5-1513783284687)]

與以前某些瀏覽器內的神經網絡框架相比，TensorFire 有着近百倍的速度提高，甚至於可以與那些運行在本地 CPU 上的代碼性能相媲美。

開發者也可使用 TensorFire 提供的底層接口來進行其餘的高性能計算，譬如 PageRank、元胞自動機仿真、圖片轉化與過濾等等。

項目地址

https://www.oschina.net/p/tensorfire

12、PHP-ML：PHP 機器學習庫

推薦理由：咱們都知道 Python 或者是 C++ 提供了更多機器學習的庫，但他們大多都比較複雜，配置起來讓不少新手感到頭疼。PHP-ML 這個機器學習庫雖然沒有特別高大上的算法，但其具備最基本的機器學習、分類等算法，小項目或者小公司作一些簡單的數據分析、預測等等足以夠用。

PHP-ML 是使用 PHP 編寫的機器學習庫。同時包含算法，交叉驗證，神經網絡，預處理，特徵提取等。

項目地址

https://www.oschina.net/p/php-ml

相信本身，沒有作不到的，只有想不到的

若是你以爲此文對您有所幫助，歡迎關注微信公衆號：終端研發部