8800个机器学习开源项目为你精选TOP30！

最新推荐文章于 2024-03-23 09:48:16 发布
最新推荐文章于 2024-03-23 09:48:16 发布
阅读量3.4w 收藏 457
点赞数 57

授权自AI科技大本营（ID: rgznai100)

本文共图文结合，建议阅读5分钟。
本文为大家带来了30个广受好评的机器学习开源项目。



最近，Mybridge发布了一篇文章，对比了过去一年中机器学习领域大约8800个开源项目后，选出30个2017年度优秀的开源项目，包含机器学习开源库、数据库以及其他应用程序，这些项目差不多都是在2017年1-12月发布。Mybridge AI通过受欢迎度、参与度以及其他方面对开源项目进行评定。


对于机器学习者来说，阅读开源代码并基于代码构建自己的项目，是一个非常有效的学习方法。看看以下这些Github上平均star为3558的开源项目，你错了哪些？


在开始之前，先推荐阅读


A. 神经网络：深度学习 A-ZTM : 亲手搭建人工神经网络（推荐次数68,745 , 4.5/5 stars）


链接：http://bit.ly/2CH1WcQ



B. 用Python进行深度学习的TensorFlow的完整指南（推荐次数17,834, 4.6/5 stars）


链接：http://bit.ly/2EatVy7



接下来是Mybridge精选的Top 30的项目：


1. FastText：快速文本表示和文本分类库（Github上有11786颗星，贡献者Facebook Research


源码链接：https://github.com/facebookresearch/MUSE



2. Deep-photo-styletransfer：“Deep Photo Style Transfer” 这篇论文的源码和数据。（GitHub 9747颗星，论文来自于康奈尔大学的Fujun Luan）


源码链接：https://github.com/luanfujun/deep-photo-styletransfer



3. 用Python和命令行来实现的最简单的面部识别API（GitHub 8672颗星，贡献者Adam Geitgey）  


源码链接：https://github.com/ageitgey/face_recognition




4. Magenta:利用机器智能生成音乐和美术艺术品（GitHub 8113颗星）


源码链接：https://github.com/tensorflow/magenta



5. Sonnet：基于TensorFlow的神经网络库（GitHub 573颗星，贡献者是DeepMind的Malcolm Reynolds ）


源码链接：https://github.com/deepmind/sonnet




6. deeplearn.js： 一个用于Web的硬件加速机器学习库（GitHub 5462颗星，贡献者是Google Brain的Nikhil Thorat）


源码链接：https://github.com/PAIR-code/deeplearnjs



7. 基于TensorFlow的快速风格迁移库（GitHub 4843颗星，贡献者是MIT的Logan Engstrom）


源码链接：https://github.com/lengstrom/fast-style-transfer



8. Pysc2: 星际争霸2学习环境（GitHub 3684颗星，贡献者是DeepMind的Timo Ewalds）


源码链接：https://github.com/deepmind/pysc2



9. AirSim： Microsoft AI & Research开源的基于虚幻引擎的开源模拟器，用于自动驾驶（GitHub 3861颗星，贡献者是Microsoft的Shital Shah）


源码链接：https://github.com/Microsoft/AirSim



10. acets: 机器学习数据集的可视化工具（GitHub 3371颗星，由Google Brain贡献）


源码链接：https://github.com/PAIR-code/facets



11. Style2Paints：用AI技术为线稿快速上色的工具（GitHub 3310颗星）


源码链接：https://github.com/lllyasviel/style2paints



12. Tensor2Tensor：一个用于广义序列-序列模型的库 - Google Research（GitHub 3087颗星，贡献者是Google Brain的Ryan Sepassi）


源码链接：https://github.com/tensorflow/tensor2tensor



13. 基于Pytorch实现的图片-图片转换（GitHub 2847颗星，贡献者Berkeley的Jun-Yan Zhu, Ph.D）


源码地址：https://github.com/junyanz/pytorch-CycleGAN-and-pix2pix



14. Faiss：用于密集向量的高效相似性搜索库和聚类的库（GitHub 2629颗星，贡献者Facebook Research）


源码地址：https://github.com/facebookresearch/faiss



15. Fashion-minist：类似于MNIST的时尚产品数据集（GitHub 2780颗星，贡献者是Zalando Tech的Han Xiao）


源码链接：https://github.com/zalandoresearch/fashion-mnist



16. ParlAI： 一个可用在各种公开可用的对话数据集上训练和评估AI模型的框架（GitHub 2578颗星，贡献者是Facebook 的Alexander Miller）


源码链接：https://github.com/facebookresearch/ParlAI



17. Fairseq：Facebook AI Research的序列-序列工具包（GitHub 2571颗星）


源码链接：https://github.com/facebookresearch/fairseq



18. Pyro：基于Python和PyTorch的深度通用概率编程（GitHub 2387颗星，贡献者Uber Engineering）


源码链接：https://github.com/uber/pyro



19. iGAN：基于GAN的交互式图像生成（GitHub 2369颗星）


源码地址：https://github.com/junyanz/iGAN



20. Deep-image-prior：用神经网络恢复图像（GitHub 2188颗星，贡献者是Skoltech的Dmitry Ulyanov, Ph.D）


源码地址：https://github.com/DmitryUlyanov/deep-image-prior



21. 人脸分类：基于 Keras CNN 模型与 OpenCV ，使用fer2013/imdb 数据集进行实时面部检测和表情/性别分类（GitHub 1967颗星）


源码地址：https://github.com/oarriaga/face_classification



22. Speech-to-Text-WaveNet：使用DeepMind的WaveNet和TensorFlow进行端到端句级英语语音识别（GitHub 1961颗星，贡献者是Kakao Brain的Namju Kim）


源码地址：https://github.com/buriburisuri/speech-to-text-wavenet



23. StarGAN: 用于多域图像-图像转化的统一生成对抗网络（GitHub 1954颗星，贡献者Korea University的Yunjey Choi）


源码地址：https://github.com/yunjey/StarGAN



24. MI-agents：Unity机器学习代理（GitHub 1658颗星，贡献者Unity3D的Arthur Juliani）


源码地址：https://github.com/Unity-Technologies/ml-agents



25. DeepVideoAnalytics：一个分布式可视化搜索和数据分析平台（GitHub 1494颗星，贡献者是Cornell University 的Akshay Bhat）


源码地址：https://github.com/AKSHAYUBHAT/DeepVideoAnalytics



26. OpenNMT：Torch上的开源神经机器翻译工具包（GitHub 1490颗星）


源码地址：https://github.com/OpenNMT/OpenNMT



27. Pix2pixHD: 用条件GAN合成和处理2048×1024的图像（GitHub 1283颗星，贡献者是英伟达科学家 Ming-Yu Liu）


源码地址：https://github.com/NVIDIA/pix2pixHD



28. Horovod：TensorFlow 布式 训练框架（GitHub 1188 颗星，贡献者来自Uber ）


源码地址：https://github.com/uber/horovod



29. AI-Blocks： 一个强大而直观的所见即所得界面，可让任何人创建机器学习模型（GitHub 899颗星）


源码地址：https://github.com/MrNothing/AI-Blocks



30. Tensorflow实现的用于语音风格转换的深度神经网络（GitHub 845颗星，贡献者是Kakao Brain AI团队的Dabi Ahn）


源码地址：https://github.com/andabi/deep-voice-conversion 


原文链接：

https://medium.mybridge.co/30-amazing-machine-learning-projects-for-the-past-year-v-2018-b853b8621ac7


数据派THU
关注
  • 57
    点赞
  • 踩
  • 457
    收藏
    觉得还不错? 一键收藏
  • 10
    评论
NMT.pytorch:基于PyTorch的神经机器翻译
05-16
PyOpenNMT：开源神经机器翻译 这是端口， 是一种开源（MIT）神经机器翻译系统。 完整文档可。 该代码仍在大量开发中（0.1版之前的版本）。 如果您需要稳定的版本，我们建议分叉。 特征 实现了以下OpenNMT功能： 注意和辍学的多层双向RNN 数据预处理 从检查点保存和加载 批处理和波束搜索进行推理（翻译） 多GPU Beta功能： 上下文门 多种源和目标RNN（lstm / gru）类型和注意力（dotprod / mlp）类型 图像到文本处理 源词功能 “注意是您所需要的” TensorBoard /蜡笔记录 复制，覆盖和结构化关注 快速开始 步骤1：预处理数据 python preprocess.py -train_src data/src-train.txt -train_tgt data/tgt-train.txt -valid_src data/src-
pytorch_basic_nmt:pytorch中神经机器翻译的简单而强大的实现
05-09
注意神经机器翻译的PyTorch基本实现 这是在Pytorch中注意神经机器翻译的基本实现（Bahdanau等人，2015; Luong等人，2015）。 它实现了描述的模型，并支持标签平滑，波束搜索解码和随机采样。 具有256维LSTM隐藏大小，在IWSLT 2014 Germen-English数据集上达到28.13 BLEU分数（Ranzato et al。，2015）。 该代码库用于Stanford 和CMU 教学目的。 档案结构 nmt.py ：包含神经机器翻译模型和训练/测试代码。 vocab.py ：从训练数据中提取词汇的脚本 util.py ：包含实用程序/帮助程序功能 示例数据集 我们提供了（Ranzato et al。，2015） 使用的IWSLT 2014德语-英语翻译任务的预处理版本。 要下载数据集： wget http://www.cs.cmu.edu/~p
Zero to Mastery: 从零开始学习机器学习的开源项目
gitblog_00032的博客
03-23 299
Zero to Mastery: 从零开始学习机器学习的开源项目 项目地址:https://gitcode.com/mrdbourke/zero-to-mastery-ml 简介 Zero to Mastery: 从零开始学习机器学习是一个开源项目，旨在帮助初学者轻松入门机器学习。该项目提供了一个全面的学习路径，包括基础知识、实践案例和项目实战。此外，该项目还提供了丰富的资源和工具，如课程大纲、笔...
Python-DatacompetitionTopSolution数据竞赛top解决方案开源整理
08-11
Data competition Top Solution 数据竞赛top解决方案开源整理
nmtpytorch:PyTorch 中的序列到序列框架
07-24
笔记 该项目没有得到积极维护，因此不太可能及时解决所产生的问题。 如果您有兴趣，可以查看该存储库的最新分支，称为 ，其中也包含基于 Transformer 的架构。 概述 nmtpytorch允许训练各种端到端神经架构，包括但不限于神经机器翻译、图像字幕和自动语音识别系统。 最初的代码库在Theano ，灵感来自著名的代码库。 nmtpytorch得到了Frederick Jelinek Memorial Summer Workshop 2018的的宝贵贡献： Loic Barrault、Ozan Caglayan、Amanda Duarte、Desmond Elliott、Spandana Gella、Nils Holzenberger、Chirag Lala、Jasmine (Sun Jae) Lee、Jindřich Libovický、Pranava Madhyastha、Fl
动手深度学习PyTorch（十一）机器翻译
01-06
机器翻译 机器翻译是指将一段文本从一种语言自动翻译到另一种语言。因为一段文本序列在不同语言中的长度不一定相同，所以我们使用机器翻译为例来介绍编码器—解码器和注意力机制的应用。 1. 读取和预处理数据 我们先定义一些特殊符号。其中“”（padding）符号用来添加在较短序列后，直到每个序列等长，而“”和“”符号分别表示序列的开始和结束。 import collections import os import io import math import torch from torch import nn import torch.nn.functional as F import torchte
资源 | 我们从8800个机器学习开源项目中精选出Top30，推荐给你
AI科技大本营
01-08 2110
最近，Mybridge发布了一篇文章，对比了过去一年中机器学习领域大约8800个开源项目后，选出30个2017年度优秀的开源项目，包含机器学习开源库、数据库以及其他应用程序，这些项目差不多都是在2017年1-12月发布。Mybridge AI通过受欢迎度、参与度以及其他方面对开源项目进行评定。对于机器学习者来说，阅读开源代码并基于代码构建自己的项目，是一个非常有效的学习方法。看看以下这些Githu
nlp（贪心学院）——转载
Grateful_Dead424的博客
04-30 783
ai工程师必备的核心功能 现实中的问题—>数学优化问题—>通过合适的工具解决 为什么NLP比CV难？ 图片是所见即所得，而语言不只有表面意思，语言还有更加深入的浅层意思 如何解决一词多义？ 将词放入上下文（context）中去理解 一个简单的机器翻译系统，如何将图中的一句话翻译出来，下面是翻译的例子，方法只能通过词与词对应人工学习出对应规则，然后猜测翻译的句子。 以上存在的问题 翻译速度慢语义不明（歧义）没有考虑上下文翻译后的句子语法不对需要大量的人工规则统计 解决方法：给定一句话，先
NLPCamp-Project1
ziuno的博客
04-14 634
Project1 Part 1: 搭建一个分词工具 Part 1.1 基于枚举方法来搭建中文分词工具 此项目需要的数据： 综合类中文词库.xlsx： 包含了中文词，当做词典来用 以变量的方式提供了部分unigram概率 word_prob 举个例子： 给定词典=[我们 学习 人工 智能 人工智能 未来 是]， 另外我们给定unigram概率：p(我们)=0.25, p(学习)=0.15, ...
GitHub上最适合初学者的10个最佳开源人工智能项目
2301_79342058的博客
12-29 3171
使用TensorFlow创建的模型可以部署在各种平台上,包括服务器,云端,移动端,边缘设备,浏览器等等。以上是一些顶级的开源机器学习项目,以供初学者和有经验的数据科学家参与和学习深度学习技术的库。这也可以有双重好处。换句话说,HuggingFace声称他们的Transformers库使学者和工程师可以通过消除拓扑,框架和管道的复杂性来使用S.O.T.A.模型。如果您需要一个深度学习框架,该框架允许快速原型开发,支持卷积网络和循环网络,并且在CPU和GPU上运行良好,那么这是开展开源人工智能项目的完美库。
nmt-pytorch:实施论文“通过共同学习对齐和翻译实现NMT”
05-14
神经机器翻译Pytorch的实现 Pytorch实现的论文 巴赫丹瑙（Bahdanau）等人，2015 ICLR 要求 安装 安装 安装 需要Python版本> = 3.5 预处理需要TorchText + Spacy 数据集 WMT14从下载 将文件放在（home）/ datasets / wmt14 /（train / valid / test）目录下。 # Preprocessing dataset. This will create ./data/wmt14(30).pkl $ python dataset.py 进行实验 # Train and test with default settings (Seq2SeqAttModel) $ python main.py # Train with different number of rnn hidden units a
matlab代码影响-AdvertisingAttribution:一个机器学习项目，可将消费者的网络浏览和广告印象数据拟合到最隐秘的隐马尔可
05-22
matlab代码影响广告归因 一个机器学习项目，用于将消费者的网络浏览和广告印象数据拟合到TOP-SECRET隐藏Markov /贝叶斯模型中，以评估在线广告活动中几种不同类型广告的有效性。 该项目实施了由沃顿商学院的两位统计学/市场营销教授开发的广告归因模型。 该项目的第一部分根据可调统计模型在互联网上生成了代表消费者行为的数据集。 该项目的第二部分使用Matlab尝试将同一模型的参数拟合到生成的数据集。 该项目的最终目标是通过证明在给定足够的数据和时间的情况下，该项目的模型拟合部分应该能够完全恢复参数，从而证明在实施模型生成/模型拟合场景的双方方面的技术熟练程度输入到项目的模型生成部分。 ===================== 问题：将信用归因于互联网搜索和展示广告是一个难题。 当前的方法使用过于简单的最后触摸归因，将所有功劳归于消费者实际点击的广告，而忽略了可能对消费者产生影响的所有先前广告。 ===================== 数据：此问题的数据集是消费者与特定品牌在线互动的完整记录。 这包括有关品牌的一般展示广告展示次数，展示时间，观看搜索广告展示次数和展示时间，
matlab人脸匹配代码-top-machine-learning:github上的顶级机器学习库
05-23
matlab人脸匹配代码顶级机器学习项目 与深度学习相关的流行github项目列表（按星号排列）。 最后更新： 项目名 星星 描述 29622 使用数据流图进行计算以进行可扩展的机器学习。 11799 Caffe：深度学习的快速开放框架。 10148 火炬神经算法的实现。 9042 深梦。 7502 适用于Python的深度学习库。 卷积网络，递归神经网络等。 在Theano和TensorFlow上运行。 7170 DeepMind 2016年自然出版物的独立，学生主导的复制品，“用深度神经网络和树搜索掌握围棋游戏”（自然529，484-489，2016年1月28日）。 6671 使用TensorFlow构建的模型 6275 使用深度神经网络将您的两位涂鸦变成精美的艺术品，从照片生成无缝纹理，将样式从一幅图像转移到另一幅图像，执行基于示例的放大，但是等等……还有更多！ （语义样式转换的实现。） 5957 计算网络工具包（CNTK）。 5872 TensorFlow教程和代码示例，供初学者使用。 5231 用Java进行深度学习。 在浏览器中训练卷积神经网络（或普通的）。 5133 To
matlab代码影响-ml-project-2:EPFL的模式分类和机器学习第二课程项目
05-22
matlab代码影响ml-project-2 EPFL的模式分类和机器学习第二课程项目 团队成员 翡翠Co 梅林·尼米尔·戴维（Merlin Nimier-David） 该项目由Emtiyaz和TA教授设计。 项目结构 该项目包含两个任务：图像中的人物检测，以及来自收听计数数据的歌曲推荐系统。 analysis ：我们用来了解数据集的简单数据探索性分析脚本。 src ： detection ：人员检测数据集的代码。 我们对高斯过程，神经网络，PCA，SVM和随机森林进行了实验 recommendation ：歌曲推荐数据集的代码。 我们尝试了各种特征提取，ALS-WR，线性回归，K-均值聚类，高斯混合模型聚类，Top-N推荐和Pearson相似性度量。 toolbox ：将依赖项放在此处。 我们的代码依赖于DeepLearn工具箱，Piotr工具箱和VBGM脚本（请参阅工具部分）。 report ：项目报告（用LaTeX编写）。 包含对本项目有帮助的相关论文的参考。 data和results ：输入和输出数据（作为Matlab .mat文件提供）。 test ：提供给我们的简单测试脚本
最新30个最炙手可热的GitHub 机器学习开源项目简介及链接
01-19
Mybridge 总结了机器学习、深度学习领域全球流行的开源项目。作者从8800个GitHub的开源项目中筛选出30个2017年最炙手可热项目很多非常非常优秀的项目。值得每一位机器学习者收藏细细学习研究！
【Github】8月机器学习开源项目排行榜TOP 10
01-06
这次，由Mybridge AI根据包括GitHub签星数量在内的各种评判因素，对8月份将近250个开源项目进行了比较，做出了一个《8月机器学习开源项目排行榜》，下面列出了其中的TOP 10。10个项目的平均星数达到了1355。 1. ...
实验-三、数据库安全性(目的、要求和模板).doc
最新发布
04-24
实验-三、数据库安全性(目的、要求和模板).doc
基于Docker搭建K8s集群离线包
04-24
基于Docker搭建K8s集群离线包，包含部署时所需的全部文件，可在内网环境中使用，K8s为1.23.0版本，docker为20.10.9-3版本
opencv C++项目
05-23
OpenCV 是一个基于开源许可的计算机视觉库，它提供了一些常见的算法和工具，可以用于图像处理、计算机视觉、机器学习等领域。下面是一个使用 OpenCV C++ 实现的简单项目示例： 1. 人脸检测 在 OpenCV 中，使用 Haar 特征分类器可以进行人脸检测。以下是人脸检测的示例代码： ```c++ #include <opencv2/opencv.hpp> #include <iostream> using namespace cv; using namespace std; int main(int argc, const char** argv) { // 加载人脸分类器 CascadeClassifier faceCascade; faceCascade.load("haarcascade_frontalface_alt.xml"); // 打开摄像头 VideoCapture cap(0); if (!cap.isOpened()) { cout << "无法打开摄像头！" << endl; return -1; } // 不断读取摄像头数据 while (true) { Mat frame; cap >> frame; // 转换为灰度图像 Mat gray; cvtColor(frame, gray, COLOR_BGR2GRAY); // 调整图像大小，加速检测 resize(gray, gray, Size(), 0.5, 0.5); // 检测人脸 vector<Rect> faces; faceCascade.detectMultiScale(gray, faces, 1.1, 2, 0, Size(30, 30)); // 绘制矩形框标记人脸 for (int i = 0; i < faces.size(); ++i) { rectangle(frame, Point(faces[i].x * 2, faces[i].y * 2), Point((faces[i].x + faces[i].width) * 2, (faces[i].y + faces[i].height) * 2), Scalar(0, 255, 0), 2); } // 显示图像 imshow("人脸检测", frame); // 检测按键 int key = waitKey(30); if (key == 27) // ESC { break; } } // 关闭摄像头 cap.release(); return 0; } ``` 2. 图像识别 OpenCV 中的 DNN 模块提供了深度学习模型的支持，可以用于图像识别和目标检测等任务。以下是一个使用预训练模型进行图像识别的示例代码： ```c++ #include <opencv2/opencv.hpp> #include <iostream> using namespace cv; using namespace std; int main(int argc, const char** argv) { // 加载预训练模型 dnn::Net net = dnn::readNetFromTensorflow("frozen_inference_graph.pb", "graph.pbtxt"); // 打开图像 Mat image = imread("image.jpg"); if (image.empty()) { cout << "无法打开图像！" << endl; return -1; } // 调整图像大小，加速识别 resize(image, image, Size(300, 300)); // 创建 Blob Mat blob = dnn::blobFromImage(image, 1.0, Size(300, 300), Scalar(127.5, 127.5, 127.5), true, false); // 输入 Blob 到网络中进行识别 net.setInput(blob); Mat output = net.forward(); // 解析输出结果 Mat detectionMat(output.size[2], output.size[3], CV_32F, output.ptr<float>()); for (int i = 0; i < detectionMat.rows; ++i) { float confidence = detectionMat.at<float>(i, 2); if (confidence > 0.5) { int left = static_cast<int>(detectionMat.at<float>(i, 3) * image.cols); int top = static_cast<int>(detectionMat.at<float>(i, 4) * image.rows); int right = static_cast<int>(detectionMat.at<float>(i, 5) * image.cols); int bottom = static_cast<int>(detectionMat.at<float>(i, 6) * image.rows); // 绘制矩形框标记识别结果 rectangle(image, Point(left, top), Point(right, bottom), Scalar(0, 255, 0), 2); } } // 显示图像 imshow("图像识别", image); waitKey(0); return 0; } ``` 以上是 OpenCV C++ 的两个示例项目，希望对你有帮助！

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 10
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值