2018年度盘点:机器学习开源项目及框架(附链接)

2023-06-01 0 376

2018年度盘点:机器学习开源项目及框架(附链接)

  新智元所推荐  

【新智元编者按】2018年立刻要是完结了,他们来简述呵呵往后的这两年中,机器自学应用领域有什么样有意思的事吧!

他们先来看一看Mybridge AI 中排名靠前的世界顶级开放源码工程项目,再谈谈机器自学去年都有什么样产业发展,最终追寻下捷伊两年中常有什么样有值得称赞他们期盼的事。

世界顶级的开放源码工程项目

BERT

BERT,全称作Bidirectional Encoder Representations from Transformers,是一类如前所述TensorFlow化解语义处置的新方法,且操控性更快。他们能采用BERT中的 预体能训练数学模型补救,该数学模型在操控性上具备十分大竞争优势,比如说能辨识语句中的语句。在Github中十分畅销,有8848个星,完备科学论文请出访这儿。

https://github.com/google-research/bert

https://arxiv.org/abs/1810.04805

DeepCreamPy

DeepCreamPy是两个广度自学工具,能像Photoshop一样重建图像中被删除的区域。他们采用图像编辑工具(比如说PS)将删减的区域填充为绿色,神经网络能对其进行复原。该工程项目在Github中有6365颗星。

https://github.com/deeppomf/DeepCreamPy

TRFL

TRFL工程项目可用于编写TensorFlow中的强化自学代理,具体的操作文档在这儿。

https://github.com/deepmind

https://github.com/deepmind/trfl/blob/master/docs/index.md

Horizon

Horizon是两个如前所述PyTorch构建的强化自学平台,并采用Caffe2为数学模型提供服务。Horizon的主要竞争优势在于,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,如果你想采用Horizon,可查看该采用文档。

https://github.com/facebookresearch/Horizon?

https://heartbeat.fritz.ai/introduction-to-pytorch-for-deep-learning-5b437cea90ac

https://github.com/facebookresearch/Horizon/blob/master/docs/usage.md

DeOldify

DeOldify是两个用于着色和恢复旧图像的广度自学库。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)。

https://github.com/jantic/DeOldify

https://arxiv.org/abs/1805.08318

https://arxiv.org/abs/1710.10196

https://arxiv.org/abs/1706.08500

2018年度盘点:机器学习开源项目及框架(附链接)

AdaNet

AdaNet是两个如前所述TensorFlow的库,它能自动自学数学模型,且不需要很多的技术人员参与,该工程项目如前所述AdaNet算法。出访AdaNet的官方文档,请点击这儿。

https://github.com/tensorflow/adanet

http://proceedings.mlr.press/v70/cortes17a.html

https://adanet.readthedocs.io/

Graph Nets

2018年度盘点:机器学习开源项目及框架(附链接)

Graph Nets是用于构建Sonnet和TensorFlow的DeepMind库。Graph 网络输入两个图形,输出也是两个图形。

https://github.com/deepmind/graph_nets

Maskrcnn-benchmark

Maskrcnn-benchmark工程项目能帮助他们在Pytorch中构建对象检测和分割工具。这个库的竞争优势在于速度快、内存效率高,能进行多个GPU体能训练和推断,且为推断提供CPU支持。

https://github.com/facebookresearch/maskrcnn-benchmark

PocketFlow

PocketFlow工程项目是两个加速和压缩广度自学数学模型的架构。它化解了大多数深度自学数学模型的计算费用问题。该工程项目最初由腾讯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儿。

https://github.com/Tencent/PocketFlow

https://pocketflow.github.io/

2018年度盘点:机器学习开源项目及框架(附链接)

MAMEToolkit

MAMEToolKit是两个体能训练街机游戏强化自学算法的库,采用该工具能跟踪游戏状态,同时也能接收游戏帧数据。

https://github.com/M-J-Murray/MAMEToolkit

机器自学架构的主要产业发展

PyTorch 1.0

在去年10月份举办的PyTorch会议期间,Facebook发布了PyTorch 1.0预览版。PyTorch 1.0化解了以下问题:体能训练耗时长、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,他们能采用图形模式构建数学模型,这在开发高操控性和低延迟的应用程序中十分有用。

Auto-Keras

你或许听过自动化机器自学(automated machine learning),即自动化搜索机器自学数学模型的最佳参数。除Auto-Keras之外,还有其他的自动化机器自学数学模型,比如说Google的AutoML。Auto-Keras是如前所述Keras和ENAS编写的,其中,ENAS是神经网络结构搜索的最新版本。

https://cloud.google.com/automl/

https://autokeras.com/

https://keras.io/

https://arxiv.org/abs/1802.03268

https://en.wikipedia.org/wiki/Neural_architecture_search

TensorFlow Serving

采用TensorFlow Serving系统,他们能更加轻松的将TensorFlow数学模型部署到生产环境中。虽然TensorFlow Serving在2017年就已经发布,但是去年更加注重将数学模型应用到生产环境环节。

https://www.tensorflow.org/serving/

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数学模型的Javascript架构,比如说TensorFlow.js和Keras.js。其数学模型实现与采用的方法,与Keras或TensorFlow等常规架构十分相似。

https://js.tensorflow.org/

https://github.com/transcranial/keras-js

展望未来

2019年立刻要是到了,随着Auto-Keras等自动化工具的产业发展,开发人员的工作有望变得更加轻松。除此以外,他们还拥有先进的研究以及优秀的社区,各类机器自学架构的操控性还会更上一层楼。

文章原标题:

《2018 Year-in-Review: Machine Learning Open Source Projects & Frameworks》译者:Mags 审校:袁虎

更多阅读:

突发!中国法院初步裁决禁售多款iPhone,高通告赢了苹果?

孟晚舟终获保释!抱律师哭泣,现场掌声雷动

禁售iPhone再升级!高通寻求美国禁止进口苹果,5G大战英特尔躺枪

本文授权转载自云栖社区(ID:yunqiinsight)

【加入社群】

新智元 AI 技术 + 产业社群招募中,欢迎对 AI 技术aiera2015_2 入群;通过审核后他们将邀请进群,加入社群后务必修改群备注(姓名 – 公司 – 职位;专业群审核较严,敬请谅解)。

2018年度盘点:机器学习开源项目及框架(附链接)

相关文章

发表评论
暂无评论
官方客服团队

为您解决烦忧 - 24小时在线 专业服务