GitHub上最受欢迎的13个机器学习免费开源项目！

Python继续引领机器学习，人工智能，深度学习和数据科学任务。据海外研究机构称，45％的技术公司更喜欢使用Python来实现AI和机器学习。

 

当然，这些列表完全是主观的，因为许多库可以轻松地放在多个类别中。例如，TensorFlow包含在此列表中，但Keras已被省略，而机器学习库集合中的功能则被替换。这是因为Keras更像是像SKLearn这样的“最终用户”库，而不是TensorFlow，后者更吸引研究人员和机器学习工程师类型。

 

图1：前三名Python深度学习库，由提交者和贡献者提供。圆的大小与星的数量成正比。

1.TensorFlow（贡献者-1700，提交-42256，获得星星-112591）

 

TensorFlow是一个使用数据流图进行数值计算的开源软件库。图形节点表示数学运算，而图形边缘表示在它们之间流动的多维数据阵列（张量）。这种灵活的体系结构使您可以将计算部署到桌面，服务器或移动设备中的一个或多个CPU或GPU，而无需重写代码。

说到TensorFlow，前不久谷歌发布了一个TensorFlow.js的工具，有了这项工具，用户可以利用AIY Projects 旗下的两款AIY硬件产品——AIY Vision Kit和Voice Kit，DIY自己的人工智能小玩意。即使不是机器视觉领域的专家，大家也可以实现很多应用场景，比如在浏览器中训练自己的宠物脸辨识系统，在自家的监视系统中使用等等。

 

 

2.PyTorch（贡献者-806，提交-14022，获得星星-20243）

PyTorch是一个Python包，提供两个高级功能：

具有强大的GPU加速度的张量计算（如NumPy）

基于磁带的自动编程系统构建的深度神经网络

您可以重用您喜欢的Python软件包，如NumPy，SciPy和Cython，以便在需要时扩展PyTorch。

3.Apache MXNet（贡献者-628，提交-8723，获得星星-15447）

 

Apache MXNet（孵化）是一个深度学习框架，旨在提高效率和灵活性。它允许您混合符号和命令式编程，以最大限度地提高效率和生产力。MXNet的核心是一个动态依赖调度程序，可以动态地自动并行化符号和命令操作。

4.Theano（贡献者-329，提交-28033，获得星星-8536）

Theano是一个Python库，允许您有效地定义，优化和评估涉及多维数组的数学表达式。它可以使用GPU并实现有效的符号区分。

5.Caffe（贡献者-270，提交-4152，获得星星-25927）

Caffe是一个深度学习框架，以表达，速度和模块化为基础。它由伯克利人工智能研究（BAIR）/伯克利视觉与学习中心（BVLC）和社区贡献者开发。

6.fast.ai（贡献者-226，提交-2237，获得星星-8872）

 

fast.ai库使用现代最佳实践简化了快速准确的神经网络训练。该图书馆基于对fast.ai进行的深度学习最佳实践的研究，包括对视觉，文本，表格和协作（协作过滤）模型的“开箱即用”支持。

7.CNTK（贡献者-189，提交-15979，获得星星-15281）

Microsoft认知工具包它是一个统一的深度学习工具包，它通过有向图将神经网络描述为一系列计算步骤。在该有向图中，叶节点表示输入值或网络参数，而其他节点表示其输入上的矩阵运算。CNTK允许用户轻松实现和组合流行的模型类型，如前馈DNN，卷积网络（CNN）和循环网络（RNN/LSTM）。

8.TFLearn（贡献者-118，提交-599，获得星星-8632）

TFlearn是一个基于Tensorflow构建的模块化透明深度学习库。它旨在为TensorFlow提供更高级别的API，以促进和加速实验，同时保持完全透明并与之兼容。

9.Lasagne（贡献者-64，提交-1157，获得星星-3534）

Lasagne是一个轻量级的库，用于在Theano中构建和训练神经网络。它支持前馈网络，如卷积神经网络（CNN），包括长短期记忆（LSTM）的循环网络及其任何组合。

10.nolearn（贡献者-14，提交-389，获得星星-909）

nolearn包含许多围绕现有神经网络库的包装和抽象，最着名的是Lasagne，以及一些机器学习实用程序模块。编写所有代码以与scikit-learn兼容。

 

11.Elephas（贡献者-13，提交者-249，获得星星-1046）

Elephas是Keras的扩展，它允许您使用Spark大规模运行分布式深度学习模型。Elephas目前支持许多应用程序，包括：

深度学习模型的数据并行训练

分布式超参数优化

集成模型的分布式训练

 

12.ApacheSpark（贡献者-12，提交-83，获得星星-1131）

DeepLearningPipelines使用ApacheSpark为Python中的可扩展深度学习提供高级API。该库来自Databricks，并利用Spark的两个最强大的方面：

本着Spark和SparkMLlib的精神，它提供了易于使用的API，可以在极少数代码行中实现深度学习。

它使用Spark强大的分布式引擎来扩展对大量数据集的深度学习。

13.分布式Keras（贡献者-5，提交-1125，获得星星-523）

DistributedKeras是一个基于ApacheSpark和Keras构建的分布式深度学习框架，专注于”最先进“的分布式优化算法。我们以这样一种方式设计框架，即可以轻松实现新的分布式优化器，从而使人们能够专注于研究。