本文转自公众号量子位，转载需授权
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。
作者：Posenhuang 等（微软研究院）
GitHub：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。
Deep-neuroevolution
作者：Uber AI 实验室
GitHub：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。
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。
Simple
作者：chrisstroemel
GitHub：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：
作者：Henry Mao 等（加州大学圣迭戈分校）
GitHub：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/
作者：Charles Beattie 等（DeepMind）
GitHub：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。
作者：DeepMind
GitHub：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厉害，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。
作者：Marco Ribeiro 等（华盛顿大学）
GitHub：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。
Gradient-checkpointing
作者：OpenAI
GitHub：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。
作者：Hidde Jansen
GitHub：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。
而 FaceSwap 是一个基于 deepfakes 的非官方开源项目。
作者：Facebook AI 研究院
GitHub：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。
