ITPub博客

首页 > 人工智能 > 人工智能 > 圣诞礼物清单:机器学习开源项目及框架已打包好!

圣诞礼物清单:机器学习开源项目及框架已打包好!

人工智能 编辑:李佳惠 时间:2018-12-26 09:51:43 0 删除 编辑

2018年马上就要结束了,我们来回顾一下过去的这一年中,机器学习领域有哪些有趣的事情吧!

我们先来看看Mybridge AI 中排名靠前的顶级开源项目,再聊聊机器学习今年都有哪些发展,最后探寻下新的一年中会有哪些有值得我们期待的事情。

顶级的开源项目

BERT

BERT ,全称为Bidirectional Encoder Representations from Transformers,是一种基于TensorFlow解决自然语言处理的新方法,且性能更好。我们可以使用BERT中的   预训练模型 解决问题,该模型在性能上具有很大优势,比如可以识别句子中的上下文。在 Github 中非常受欢迎,有8848个星,完整学术论文请访问 这里

DeepCreamPy

DeepCreamPy是一个 深度学习工具 ,可以像Photoshop一样重建图像中被删除的区域。我们使用图像编辑工具(比如PS)将删减的区域填充为绿色,神经网络可以对其进行复原。该项目在 Github 中有6365颗星。

TRFL

TRFL 项目可用于编写TensorFlow中的强化学习代理,具体的操作文档在 这里

/trfl/blob/master/docs/index.md

Horizon

Horizon 是一个基于 PyTorch 构建的强化学习平台,并使用Caffe2为模型提供服务。Horizon的主要优势在于,设计者在设计这一平台的时候,考虑了生产用例。想要了解更多详细内容,请查看 FacebookResearch官方文档 。另外,如果你想使用Horizon,可查看该 使用文档

DeOldify

DeOldify 是一个用于着色和恢复旧图像的深度学习库。开发者结合了几种不同的方法,来实现这一目标,其中的几种方法包括: 带自注意力机制的生成对抗网络 (Self-Attention GenerativeAdversarial Networks), Progressive Growing of GANs ,以及 TTUR ( TwoTime-Scale Update Rule)。

圣诞礼物清单:机器学习开源项目及框架已打包好!

AdaNet

AdaNet 是一个基于TensorFlow的库,它可以自动学习模型,且不需要很多的技术人员参与,该项目基于 AdaNet算法 。访问AdaNet的官方文档,请点击 这里

Graph Nets

圣诞礼物清单:机器学习开源项目及框架已打包好!

Graph Nets 是用于构建Sonnet和TensorFlow的DeepMind库。Graph 网络输入一个图形,输出也是一个图形。

/graph_nets

Maskrcnn-benchmark

Maskrcnn-benchmark项目 可以帮助我们在Pytorch中构建对象检测和分割工具。这个库的优势在于速度快、内存效率高,可以进行多个GPU训练和推断,且为推断提供CPU支持。

PocketFlow

PocketFlow 项目是一个加速和压缩深度学习模型的框架。它解决了大多数深度学习模型的计算费用问题。该项目最初由腾讯AI实验室的研究人员开发,了解其实现及官方文档请点击 这里

圣诞礼物清单:机器学习开源项目及框架已打包好!

MAMEToolkit

MAMEToolKit 是一个训练街机游戏强化学习算法的库,使用该工具可以跟踪游戏状态,同时也可以接收游戏帧数据。

机器学习框架的主要发展

PyTorch 1.0

在今年10月份举办的PyTorch会议期间,Facebook发布了PyTorch 1.0预览版。PyTorch 1.0解决了以下问题:训练耗时长、联网问题、缓慢的可扩展性以及Python编程语言带来的一些不灵活性。

PyTorch 1.0引入了一组编译工具Torch.jit,这将弥补生产和研究之间的差距。Torch.jit中包含Python中的Torch Script语言,在PyTorch 1.0中,我们可以使用图形模式构建模型,这在开发高性能和低延迟的应用程序中非常有用。

Auto-Keras

你或许听过自动化机器学习(automated machine learning),即自动化搜索机器学习模型的最佳参数。除Auto-Keras之外,还有其他的自动化机器学习模型,比如Google的 AutoML Auto-Keras 是基于 Keras ENAS 编写的,其中,ENAS是 神经网络结构搜索 的最新版本。

TensorFlow Serving

使用 TensorFlow Serving 系统,我们能更加轻松的将TensorFlow模型部署到生产环境中。虽然TensorFlow Serving在2017年就已经发布,但是今年更加注重将模型应用到生产环境环节。

Machine Learning Javascript

现在已经有一些可以允许开发人员在浏览器上运行模型的Javascript框架,比如 TensorFlow.js Keras.js 。其模型实现与使用的方法,与Keras或TensorFlow等常规框架非常相似。

展望未来

2019年马上就要到了,随着Auto-Keras等自动化工具的发展,开发人员的工作有望变得更加轻松。除此以外,我们还拥有先进的研究以及优秀的社区,各类机器学习框架的性能还会更上一层楼。

阿里云云栖社区组织翻译。文章原标题《2018 Year-in-Review: Machine Learning Open Source Projects & Frameworks》译者:Mags,审校:袁虎。


来自 “ 阿里云云栖社区 ”, 原文作者:译者:Mags,审校:袁虎;原文链接:《2018 Year-in-Review: Machine Learning Open Source Projects & Frameworks》,如有侵权,请联系管理员删除。

请登录后发表评论 登录
全部评论

注册时间:2018-09-19

  • 博文量
    107
  • 访问量
    211522