Py学习  »  Git

Top10机器学习开源项目发布,历时一个月评出 | 附GitHub地址

量子位 • 6 年前 • 533 次点击  
原作:Mybridge
问耕 补充整理
量子位 出品 | 公众号 QbitAI

从将近250个机器学习开源项目中,综合各种条件进行打分排序,最终Mybridge团队评选出十大最新、最棒的机器学习开源项目。

这份Top10名单中包括对象检测、换脸、预测等等最热的AI明星、话题性研究和代码。它们在GitHub上的平均标星数量是2500多颗。

希望这10大开源项目,对你有所帮助~

Rank 10

NPMT

作者:Posenhuang等(微软研究院)

GitHub地址:https://github.com/posenhuang/NPMT

★Star:68

NPMT,基于短语的神经机器翻译,这是一项来自微软研究院团队的研究。这个机器翻译领域的新突破,没有使用任何注意力机制。

这个方法通过Sleep-WAke网络(SWAN)明确地建模输出序列中的短语结构。SWAN是一种基于分割的序列模型方法。

NPMT的源代码基于Torch中的fairseq工具箱建立。fairseq是Facebook AI研究院开源的序列到序列工具箱,这个方法使用卷积神经网络来做语言翻译,比循环神经网络提速9倍。

Rank 9

Deep-neuroevolution

作者:Uber AI实验室

GitHub地址:https://github.com/uber-common/deep-neuroevolution

★Star:392

这是共享出行巨头Uber开源的算法,他们此前集中发布了5篇论文,支持一种正在兴起的认识:通过用进化算法来优化神经网络的神经进化(neuroevolution)也是为强化学习(RL)训练深度神经网络的一种有效方法。

量子位也有过详细报道《深度神经进化大有可为?Uber详解如何用它优化强化学习 | 5篇论文

而这次GitHub中公布的代码,包括以下算法的分布式实现:

1、Deep Neuroevolution: Genetic Algorithms Are a Competitive Alternative for Training Deep Neural Networks for Reinforcement Learning

论文地址:https://arxiv.org/abs/1712.06567

2、Improving Exploration in Evolution Strategies for Deep Reinforcement Learning via a Population of Novelty-Seeking Agents

论文地址:https://arxiv.org/abs/1712.06560

这些代码基于OpenAI此前公布的源代码和论文。

Rank 8

Simple

作者:chrisstroemel

GitHub地址:https://github.com/chrisstroemel/Simple

★Star:235

Simple是贝叶斯优化的更具可扩展性的替代方法。像贝叶斯优化一样,它的样本效率很高,能用尽可能少的样本收敛到全局最优。

对于典型的优化工作负载,贝叶斯优化消耗的CPU时间以分钟计,而Simple使用的CPU时间以毫秒计。如下图所示:

Rank 7

DeepJ

作者:Henry Mao等(加州大学圣迭戈分校)

GitHub地址:https://github.com/calclavia/DeepJ

★Star:313

DeepJ是一种端到端生成模型,能够以特定的混合风格来实时创作钢琴曲。这个算法能够生成可以调整参数的音乐,这种可调整的属性,能为艺术家、电影制作人、作曲家等带来实际的帮助。

使用这套代码需要Python 3.5。

访问下面的Demo地址,可玩、可感受,亦可当背景音听。

Demo地址:https://deepj.ai/

Rank 6

Psychlab

作者:Charles Beattie等(DeepMind)

GitHub地址:https://github.com/deepmind/lab/tree/master/game_scripts/levels/contributed/psychlab

★Star:4774

Psychlab,DeepMind为AI开设的心理学实验室。

其实就是个第一人称视角3D游戏世界,这个心理学实验室当然也是个模拟环境,研究对象是其中的深度强化学习智能体(Agents)。Psychlab能够实现传统实验室中的经典心理学实验,让这些本来用来研究人类心理的实验,也可以用在AI智能体上。

智能体在这个实验室里还能干什么呢?DeepMind自己在论文中展示了8种任务。详情可以点击这里,查看量子位之前的详细报道《嗯?DeepMind开了个心理学实验室》。

Rank 5

Dm_control

作者:DeepMind

GitHub地址:https://github.com/deepmind/dm_control

★Star:882

火遍全球的AlphaGo让我们知道了强化学习打游戏究竟有多6,这么强大的算法什么时候才能打破次元壁,走进现实、控制物理世界中的物体呢?

DeepMind已经开始往这方面努力。他们此前发布的控制套件“DeepMind Control Suite”,就为设计和比较用来控制物理世界的强化学习算法开了个头。

Control Suite设计了一组有着标准化结构、可解释奖励的连续控制任务,还为强化学习Agent提供一组性能测试指标。

Control Suite中的任务可以分为14个领域,也就是14类物理模型,上排从左到右分别是:

体操机器人Acrobot,(两节钟摆)、杯中小球、倒立摆、猎豹形机器人、手指、鱼、单足跳跃机器人,下排从左到右分别是人形机器人、机械手、钟摆、质点、形似两节手臂的Reacher、游泳机器人、步行者。

Rank 4

Lime

作者:Marco Ribeiro等(华盛顿大学)

GitHub地址:https://github.com/marcotcr/lime

★Star:3148

在这次的Top10项目中,这个算是“老资格”了。主要基于KDD2016上发表的论文:《“为什么我应该相信你?”解释任何分类器的预测》。

这个研究提出了局部可理解的与模型无关的解释技术(Local Interpretable Model-Agnostic Explanations: LIME),一种用于解释任何机器学习分类器的预测的技术,并在多种与信任相关的任务中评估了它的可用性。

下面这段视频,是一个更直观的解释。


Rank 3

Gradient-checkpointing

作者:OpenAI

GitHub地址:https://github.com/openai/gradient-checkpointing

★Star:1107

GPU内存太小可能是神经网络训练过程中最大的拦路虎。

不怕,用这个OpenAI推出的gradient-checkpointing工具程序包,对于前馈模型来说,仅仅需要增加20%的计算时间,就能让GPU处理十倍大的模型。

这个工具包的开发者是OpenAI的研究科学家Tim Salimans和前Google Brain工程师的数据科学家Yaroslav Bulatov。

这个工具包使用了“用亚线性的存储成本训练神经网络”的技术,为简单的前馈网络提供了等价的内存存储,同时能为一般的神经网络节省内存,比如多层架构。

详细内容,可见之前量子位的报道

Rank 2

FaceSwap

作者:Hidde Jansen

GitHub地址:https://github.com/deepfakes/faceswap

★Star:3629

最近Deepfakes在AI、AV两届掀起轩然大波。简单的说,就是AI可以帮你给AV小片换脸,替换成任何你想看的明星。

量子位在两篇报道中,对此都有介绍:《不可描述,技术进步》、《艾玛不哭!AI引起的“换脸”问题,AI正在解决》。

而FaceSwap是一个基于deepfakes的非官方开源项目。

Rank 1

Detectron

作者:Facebook AI研究院

GitHub地址:https://github.com/facebookresearch/Detectron

★Star:11248

这个应该是当之无愧的第一吧。

Detectron是Facebook的物体检测平台,今年初宣布开源,它基于Caffe2,用Python写成,这次开放的代码中就包含了Mask R-CNN的实现。

除此之外,Detectron还包含了ICCV 2017最佳学生论文RetinaNet,Ross Girshick(RBG)此前的研究Faster R-CNN和RPN、Fast R-CNN、以及R-FCN的实现。

量子位在此前的报道中也有过详细的介绍:《Mask R-CNN源代码终于来了,还有它背后的物体检测平台》。

据说好多人一直在苦等这个~

就酱~

加入社群

量子位AI社群13群开始招募啦,欢迎对AI感兴趣的同学,加小助手微信qbitbot5入群;


此外,量子位专业细分群(自动驾驶、CV、NLP、机器学习等)正在招募,面向正在从事相关领域的工程师及研究人员。


进群请加小助手微信号qbitbot5,并务必备注相应群的关键词~通过审核后我们将邀请进群。(专业群审核较严,敬请谅解)

诚挚招聘

量子位正在招募编辑/记者,工作地点在北京中关村。期待有才气、有热情的同学加入我们!相关细节,请在量子位公众号(QbitAI)对话界面,回复“招聘”两个字。

量子位 QbitAI · 头条号签约作者

վ'ᴗ' ի 追踪AI技术和产品新动态



今天看啥 - 高品质阅读平台
本文地址:http://www.jintiankansha.me/t/mHizjDClu6
Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/7316
 
533 次点击