2018最有用的六個機器學習項目

摘要： 用了這六個機器學習開源項目，你的項目必定進行的666！

2018年又是人工智能和機器學習快速發展的一年。許多新的機器學習的項目正在以很是高的影響力影響着諸多領域，特別是醫療保健、金融、語音識別、加強現實和更復雜3D視頻渲染。

這一年，咱們看到了更多的應用驅動研究，而不是理論研究。雖然這可能有其缺點，但它在短期內產生了一些巨大的積極影響，產生了能夠迅速轉化爲業務和客戶創造價值的新研發，這一趨勢在ML開源項目中獲得了強烈反映。

讓咱們來看看過去一年中最實用的6個ML項目。這些項目都公開發布了代碼和數據集，容許個別開發人員和小型團隊學習並創造價值。它們可能不是理論上最具開創性的做品，但它們很實用！

Fast.ai

Fast.ai庫的編寫是爲了使用現代最佳實踐方法以簡化且快速準確進行神經網絡訓練，它抽象了在實踐中實施深度神經網絡可能帶來的全部細節工做。並且它很是易於使用，而且設計它的人有應用程序構建思惟。它最初是爲Fast.ai課程的學生建立的，該庫以簡潔易懂的方式編寫在易於使用的Pytorch庫之上。

Detectron

Detectron是Facebook AI用於物體檢測和實例分割研究的研究平臺，系統是用Caffe2編寫。它包含各類對象檢測算法的實現，包括：

• Mask R-CNN：使用更快的R-CNN結構的對象檢測和實例分割；
• RetinaNet：一個基於(Feature Pyramid Network)算法的網絡，具備獨特的Focal Loss來處理難題；
• Faster R-CNN：對象檢測網絡最多見的結構；

全部網絡均可以使用如下幾種可選的分類主幹之一：

• ResNeXt {50101152}；
• RESNET {50101152}；
• Feature Pyramid Network（使用ResNet/ResNeXt）；
• VGG16；

更重要的是，全部上述這些模型都是帶有COCO數據集上的預訓練模型，所以你能夠當即使用它們！他們已經在Detectron模型動物園中使用標準評估指標進行了測試。

FastText

這是另外一個來自Facebook的研究，fastText庫專爲文本表示和分類而設計。它配備了預先訓練的150多種語言的詞向量模型，這些單詞向量可用於許多任務，包括文本分類，摘要和翻譯等。

Auto-Keras

Auto-Keras是一個用於自動機器學習（AutoML）的開源軟件庫。它由Texas A＆M大學的DATA實驗室和社區貢獻者開發。AutoML的最終目標是爲具備有限數據科學或機器學習背景的開發工程師提供易於訪問的深度學習工具。Auto-Keras提供自動搜索深度學習模型的最佳架構和超參數的功能。

Dopamine

Dopamine是由Google基於強化學習建立的快速原型設計的研究框架，它旨在靈活且易於使用，實現標準RL算法，指標和基準。

根據Dopamine的文檔，他們的設計原則是：

• 簡單的測試：幫助新用戶運行基準測試；
• 靈活的開發：爲新用戶提供新的創新想法；
• 可靠：爲一些較舊和更流行的算法提供實現；
• 可重複性：確保結果是可重複；

vid2vid

vid2vid項目是在Pytorch上實現的Nvidia最早進的視頻到視頻合成的模型。視頻到視頻合成的目標是學習從輸入源視頻（例如，一系列語義分割掩模）到精確描繪源視頻內容的輸出照片擬真視頻的映射函數。

這個庫的好處在於它的選擇：它提供了幾種不一樣的vid2vid應用程序，包括自動駕駛/城市場景，人臉和人體姿式。它還附帶了豐富的指令和功能，包括數據集加載、任務評估、訓練功能和多GPU！

其餘一些有價值的項目：

• ChatterBot：用於對話引擎和建立聊天機器人的機器學習模型；
• Kubeflow：Kubernetes的機器學習工具包；
• imgaug：用於深度學習的圖像加強；
• imbalanced-learn：scikit下的python包，專門用於修復不平衡數據集；
• mlflow：用於管理ML生命週期的開源平臺：包括測試，可重複性和部署；
• AirSim：基於虛幻引擎/Unity的自動駕駛汽車模擬器，來自Microsoft AI和Research；

---

本文做者：【方向】

閱讀原文

本文爲雲棲社區原創內容，未經容許不得轉載。