如果你还没有在机器学习中接受开放源代码工具的美，那么你就错过了！开源社区非常庞大，对新工具和拥抱使机器学习开放化的概念有着令人难以置信的支持态度。你必须已经了解流行的开源工具，例如R，Python，JupyterNotebook等。但是，除了这些受欢迎的工具之外，还有一个广阔的世界–存在着雷达式机器学习工具的地方。这些功能不如其他功能出色，但可以节省许多机器学习任务。
在本文中，我们推荐了14种用于机器学习的开源工具。我强烈建议你花一些时间来学习我提到的每个类别。
1、深度通用概率编程
Uber AI实验室构建了这个深度概率编程库，以帮助简化其运输服务的预测和优化收益。 该库将对处理概率建模的任何人都感兴趣。机会从匹配的骑手到驾驶员，到建议最佳路线，寻找合理的泳池组合，甚至创造出下一代智能汽车。 为了解决这些挑战，我们将最先进的人工智能（AI）技术与数据科学家，工程师和其他用户的丰富专业知识相结合。 我们正在探索一种以工具为先的方法，这将使我们和其他人能够开发下一代AI解决方案。
2、ParlAI
作为Facebook研究项目的一部分，ParlAI是一个框架，用于在各种公开可用的对话框数据集上训练和评估AI模型。 ParlAI将使研究人员可以访问许多流行的数据集，同时拥有一个用于共享和测试对话框模型的统一框架。
3、ELF与AlphaGoZero
ELF是AlphaGoZero / AlphaZero重新实现的游戏研究平台。 ELF提供了用于游戏研究的端到端解决方案。 它包括微型实时战略游戏环境，并发模拟，数千台机器上的分布式培训，直观的API，基于Web的可视化以及由PyTorch支持的强化学习框架。
4、Detectron
Detectron是Facebook AI Research的软件系统，它实现了包括Mask R-CNN在内的最新对象检测算法。 它是用Python编写的，并由Caffe2深度学习框架提供支持。
5、Fast Style Transfer
借助TensorFlow CNN实施，这也许是图像样式转换的最佳示例之一，并且顾名思义，它的完成速度非常快。 该实现是基于Gatys的艺术风格神经算法，Johnson的实时风格传递和超分辨率的感性损失以及Ulyanov的实例规范化的结合。
6、人脸识别
该工具提供了用于面部识别的简单API。它可以找到面部特征，并可以猜测给定照片中的人物。使用dlib先进的人脸识别技术和深度学习技术构建。该模型在Wild基准中的Labeled Faces上的准确性为99.38％。这也提供了一个简单的face_recognition命令行工具，使您可以从命令行对图像文件夹进行人脸识别！
7、深度照片风格转换
另一个梦幻般的风格转移项目。它提供了简单的API来播放合并样式和源图像。图像样式转换非常令人印象深刻。
8、Fast Text
fastText是一个用于高效学习单词表示和句子分类的库。文本分类的目的是将文档（例如电子邮件，帖子，文本消息，产品评论等）分配给一个或多个类别。
9、AirSim空中模拟
AirSim是一款基于虚幻引擎的无人机，汽车等模拟器。它是开放源代码的跨平台，并且支持流行的飞行控制器（例如PX4）进行硬件在环仿真，以进行物理和视觉逼真的仿真。这是一个虚幻的插件，可以简单地放入所需的任何虚幻环境中。
10、Image restoration
机器学习的作用超出了我们的想象。借助Deep Image Prior，它可以通过神经网络来固定图像，而无需学习。该工具可以恢复带有划痕，斑点和/或不需要的文本标记的损坏图像。
11、Open Pose
Open Pose代表了第一个实时多人系统，可以在单个图像上联合检测人体，手，面部和脚的关键点（总共135个关键点）。它可以检测脚，身体，脸和手。
12、pirateAT
PirateAI在模拟环境（岛屿）中训练自治代理（海盗）。 此仓库运行一条训练流水线，该流水线在游戏（找到宝藏）和模型训练课程（Keras + hyperopt）之间交替。
13、Emoji Intelligence
与清单中的许多项目相比，这相当简单，但这是学习神经网络如何工作的一个很好的起点。 该实现是在没有任何库的纯Swift中实现的，并且很容易遵循。
14、基于示例的深度着色
基于示例的深度着色是基于示例的局部着色的第一种深度学习方法。 给定参考彩色图像，我们的卷积神经网络直接将灰度图像映射到输出彩色图像。 这是基于深度样本的着色的论文的实现。
化繁为简，简单3步，只需5分钟。
在人工智能愈发热门的大背景下，学习、体验新技术的需求也日渐增多。学以致用才能真正掌握一门技术。
