推荐 | 7个你最应该知道的机器学习相关github项目

版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/fendouaini/article/details/79964431

欢迎大家关注我们的网站和系列教程:http://www.tensorflownews.com/,学习更多的机器学习、深度学习的知识!

磐石

目录:

  • 介绍
  • Person Blocker(人体自动遮挡)
  • AstroNet(天体网络)
  • ANN Visualizer(神经网络可视化)
  • Fast Pandas
  • Tensorflow.js
  • Caffe 64(小巧版caffe)
  • Tensorflow Hub

介绍

GitHub是我生活中不可或缺的一部分!你不仅可以在Github上关注到不同领域的工作,还可以很好的协作处理多个开源项目。包括谷歌和Facebook在内的(几乎)所有科技公司,都会在GitHub上上传他们的开源项目代码,以利于社区发展与大家的进步。

但是,如果你难以找到下面的这几个GitHub,可以持续关注我们的动态,我们每个月都会为你提供排名靠前的那些项目的项目摘要。以便于你可以通过此随时了解领域发展的最新动态,甚至可以直接复制那些项目代码到自己的设备上!

本月的名单包括一些极棒的项目仓库。从谷歌大脑(Google Brain)的AstroNet到人工神经网络可视化工具(ANN Visualizer),我们整理了一个独有的开源项目仓库列表来扩展你对机器学习最新动态的了解与把握。

你准备好了吗?我们来看看上个月的前7名!

你可以查看我们之前整理的top5项目仓库,一月份在这里和二月的在这里

Person Blocker(人体自动遮挡)

你准备好了吗?我们来看看上个月的前7名!

你可以查看我们之前整理的top5项目仓库,一月份在这里和二月的在这里

Person Blocker(人体自动遮挡)

‘Person Block’是一个开源python项目。它可以使用预先训练好的神经网络自动遮挡(block)图像里的任何一个人。该算法使用基于MS COCO数据集上预训练的Mask R-CNN模型。更加锦上添花的是?它不需要用GPU!!!

算法不仅仅只可以应用于人体的遮挡(block),而且还可以遮挡其他目标。该算法目前可识别80种不同类型的物体,包括车辆,动物,电子小配件等。

你可以在Analytics Vidhya的博客上阅读更多关于此库的信息

AstroNet(天体网络)

早在2017年12月,谷歌大脑团队(Google Brain)就透露他们已经应用Astronet发现了2颗新行星-它(Astronet)是处理天文数据的深层神经网络模型。这个巨大的发现深深体现了机器学习给当今世界带来的深远影响!!

如今,Google Brain已经发布了实现该技术的全部代码,并且已经将它提供给所有人。该模型(Astronet)基于卷积神经网络(CNN)。

我们曾在这篇文章中报道过Astronet。

ANN Visualizer(神经网络可视化)

ANN Visualizer是一个开源python库。它使我们可以实现使用一行代码就可视化人工神经网络。它可以结合Keras,并利用python的’graphviz’库来创建一个视化神经网络图。

更多细节介绍在这里

Fast Pandas

任何python初学者都感叹pandas的灵活性和强大功能。作为一名数据科学研究者,你需要考虑从多个角度去解决某个问题。“fast pandas”旨在针对这些情况下的多种可用方法进行基准测试评估(benchmark)。

这是一个非常有用的python库,我们强烈建议你去尝试一下。

TensorFlow.js

TensorFlow.js是一个全新开源机器学习框架,可以使用最底层的 Java 线性代数库或最高级的 API 在浏览器上开发机器学习模型。如果你对了解Keras,那么高级神经网络层级API对你来说应该不那么陌生。

TensorFlow.js支持GPU加速,并自动支持WebGL(创建复杂的数据可视化应用)。它允许你在浏览器上训练模型,或以推断模式运行预训练的模型。

在这里有更详细报道。

Caffe64(小巧版caffe)

Caffe64是一个简单,小巧但功能非常强大的神经网络库。我们都知道安装神经网络库有多繁琐。根据其开发人员的说法,Caffe64放弃了所有的繁琐工作,并且是“目前最容易编译和最轻量级的神经网络库”。

如果你之前使用过caffe,这对你来说就是小菜一碟!

TensorFlow Hub

TensorFlow Hub是一个发布、发现和重用TensorFlow中机器学习模块部分的平台。特别是,它使得可以在其他类似的任务中重复使用一个模块(一个TensorFlow的独立片段及其权重)。通过在相关任务上重用模块,你可以实现:

  • 用较小的数据集训练模型
  • 改进泛化
  • 大大加快训练

你以前使用过这些库吗?有什么样的使用感受?请在下面的评论部分告诉我们!(编译自:analyticsvidhya

本篇文章出自http://www.tensorflownews.com,对深度学习感兴趣,热爱Tensorflow的小伙伴,欢迎关注我们的网站!

阅读更多

没有更多推荐了,返回首页