#Swift for TensorFlow
Swift for TensorFlow 为 TensorFlow 提供了一种新的编程模型,将 TensorFlow 计算图与 Eager Execution 的灵活性和表达能力结合在了一起,同时还注重提高整个软件架构每一层的可用性。
本项目的设计基础是 Graph Program Extraction 算法,它可以让你用 Eager Execution 式的编程模型来轻松地实现代码,同时还保留 TensorFlow 计算图的高性能优势。此外,本项目还将高级的自动微分功能直接集成在了 Swift 语言和编译器里面。
项目链接
https://github.com/tensorflow/swift
#可视化降维Python工具包
HyperTools 是一个具有可视化功能的降维工具包,其基本流程是输入高维数据,调用降维函数,同时进行绘图。
▲ 效果展示
项目链接
https://github.com/ContextLab/hypertools
GluonNLP
#NLP深度学习工具包
GluonNLP 提供了 NLP 方向的顶尖深度学习模型实现,并且构建了文本数据管道和模型的模块。它专门面向工程师、研究人员和学者设计,大家可以基于这些模型快速实现研究思路,做出产品原型。
该项目具有如下特征:
1. 训练脚本来重现论文中的 state-of-the-art 结果;
2. 针对常见 NLP 任务的预训练模型;
3. 精心设计的 API,可以极大减少实现的复杂性;
4. 中文社区支持。
▲ 案例展示
项目链接
https://github.com/dmlc/gluon-nlp
GluonCV#CV深度学习工具包
GluonCV 提供了 CV 方向的顶尖深度学习模型实现。该项目能帮助工程师、研究人员和学者快速打造产品原型、验证新思路以及学习计算机视觉。
该工具包提供如下功能:
1. 近年重要论文的复现;
2. 详细文档提供使用说明和代码讲解;
3. 提供预训练的模型可以直接使用;
4. 性能评测,方便大家在不同模型之间做取舍;
5. 每个模型实现和接口尽量保证一致性,降低使用新模型的学习门槛;
6. 定时做重新训练保证代码正确性;
7. 中文社区支持。
▲ 案例展示
项目链接
https://github.com/dmlc/gluon-cv
PyTorch Summary#PyTorch版Keras API: model.summary()
Keras 框架有一个用于模型可视化的简洁 API —— model.summary(),本项目实现了用于 PyTorch 框架中的 model.summary() 功能,用于输出模型各层的详细参数。
▲ 效果展示
项目链接
https://github.com/sksq96/pytorch-summary
NCRF++#基于PyTorch的Neural版本CRF++
本项目是基于 PyTorch 的神经网络序列标注开源库,包含了几种最先进的神经网络序列标注模型(LSTMCRF, CNNCRF 等),算是神经网络版的 CRF++。它可以让用户快速重现论文中的模型(如 Ma et. al ACL 2016; Lample et. al NAACL2016)。
该项目具有以下几个特点:
1. 无需写代码:只要通过修改配置文件就可以对模型的结构进行配置,无需任何代码工作;
2. 自由添加特征:该项目不仅集成了几种经典的特征结构(如 char-lstm, char-gru, char-cnn)还可以添加自定义的特征并初始化特征向量;
3. 高效准确:利用该开源库可以轻松重现之前的多篇论文的结果,大部分情况下会得到比论文更高的精度。同时该项目时完全基于 batch 计算实现的,因此计算速度很快(2000 句/秒);
4. Nbest 输出:其 CRF 结构支持输出 top-n 个最优 label 序列,并给出对应的序列概率。
▲ 结构设计
项目链接
https://github.com/jiesutd/NCRFpp
Adversarial Robustness Toolbox#IBM开源对抗机器学习库
Adversarial Robustness Toolbox 是由 IBM 团队开源的对抗机器学习库,其主要用于检测模型及对抗攻击,为开发人员加强 AI 模型被误导的防御性,让 AI 系统变得更加安全。
本项目实现了以下分类器攻防方法:
攻击:
Deep Fool (Moosavi-Dezfooli et al., 2015)
Fast Gradient Method (Goodfellow et al., 2014)
Jacobian Saliency Map (Papernot et al., 2016)
Universal Perturbation (Moosavi-Dezfooli et al., 2016)
Virtual Adversarial Method (Moosavi-Dezfooli et al., 2015)
C&W Attack (Carlini and Wagner, 2016)
NewtonFool (Jang et al., 2017)
防御:
Feature squeezing (Xu et al., 2017)
Spatial smoothing (Xu et al., 2017)
Label smoothing (Warde-Farley and Goodfellow, 2016)
Adversarial training (Szegedy et al., 2013)
Virtual adversarial training (Miyato et al., 2017)
项目链接
https://github.com/IBM/adversarial-robustness-toolbox
Chatbot#可以进行训练的聊天机器人
本项目是一个可以自己进行训练的聊天机器人,可以根据自己的语料训练出想要的对话机器人。本次训练的语料是从互联网上找到的 shooter 训练语料,语料质量很差劲,仅作为演示代码来用,大家可以使用自己的语料。
项目链接
https://github.com/zhaoyingjun/chatbot
SparkFlow#基于Spark平台的TensorFlow实现
SparkFlow 是一个基于 Spark 平台的 TensorFlow 实现,让用户更方便在 Spark 上部署 TensorFlow 程序,更好地利用分布式平台进行深度学习模型的训练。
▲ MNIST深度学习示例
项目链接
https://github.com/lifeomic/sparkflow
Tweet Generator#模拟任何Twitter用户发推文
Tweet Generator 是一个模拟 Twitter 用户风格生成推文的工具。本项目基于 textgenrnn,并使用上下文标签对网络进行训练以获得更好的推文合成。
textgenrnn 是一个基于 Keras 和 TensorFlow 的 Python 3 模块,只需几行代码即可训练文本生成网络。
▲ 效果展示
项目链接
https://github.com/minimaxir/tweet-generator
DL Project Template#深度学习工程模板
本项目是由美图云事业部开源的深度学习工程模板,简化加载数据、构建网络、训练模型和预测样本的流程。
▲ 框架图
▲ 文件夹结构
项目链接
https://github.com/SpikeKing/DL-Project-Template
STAIR Actions#用于动作识别的大规模视频数据集
STAIR Actions 是一个用于动作识别的大规模视频数据集,包含 100 类诸如吃饭、喝水、洗手、扔垃圾等人类日常行为,每一类动作有 1000 个左右的视频。作者保留了 10% 的数据用于后续比赛。
▲ 数据集规模
▲ 100种行为列表
项目链接
https://github.com/STAIR-Lab-CIT/STAIR-actions
Moonlight Optical Music Recognition#基于TensorFlow的光学乐谱识别工具
本项目是一个基于 TensorFlow 的光学乐谱识别工具,它通过读取包含乐谱的 PNG 图像来输出 MusicXML 格式乐谱或 NoteSequence 消息。
项目链接
https://github.com/tensorflow/moonlight
点击以下标题查看往期推荐:
#答 题 时 间#
▼
那!就!是!
好书送给社会人~
以下是简单粗暴送福利环节
PaperWeekly × 图灵教育
深入理解TensorFlow
架构设计与实现原理
<5本>
图灵原创√大牛推荐√火热预售√
作者:彭靖田,林健 ,白小龙
自 TensorFlow 开源以来,不断有人撰写图书或博客解释其各组件的实现与原理。但遗憾的是,能够深入剖析 TensorFlow 内部实现细节与设计思想的资料少之又少,而本书则尝试弥补这一缺憾。
TensorFlow 进阶不二之选
才云科技技术总监
华为深度学习团队系统工程师
华为公司深度学习云服务技术负责人
联合编写
中国科学院计算技术研究所副研究员查礼
浙江大学计算机学院院长陈刚
才云科技创始人兼 CEO 张鑫
Google Brain 资深工程师周玥枫
云账户联合创始人兼 CTO 邹永强
博拉科技创始人兼 CEO 周公爽
微软亚洲研究院助理研究员王锦鹏
才云科技首席大数据科学家郑泽宇
联合推荐
本书以 TensorFlow 1.2 为基础,从基本概念、内部实现和最佳实践等方面深入剖析 TensorFlow。不仅由浅入深地全面介绍 TensorFlow 的使用方法,还结合源代码进行深入剖析,使读者可以快速、系统地学习 TensorFlow 的架构设计与实现原理。
参与方式
请在文末留言分享
本期你最喜欢的Github项目
小编将随机抽取5位同学
送出图灵教育新书
截止时间:5月1日(周二)20:00
关于PaperWeekly
PaperWeekly 是一个推荐、解读、讨论、报道人工智能前沿论文成果的学术平台。如果你研究或从事 AI 领域,欢迎在公众号后台点击「交流群」,小助手将把你带入 PaperWeekly 的交流群里。
▽ 点击 | 阅读原文 | 预购《深入理解TensorFlow》