2017年度盤點(diǎn)：15個(gè)最流行的GitHub機(jī)器學(xué)習(xí)項(xiàng)目

By?機(jī)器之心2017年12月21日 15:23
在本文中，作者列出了 2017 年 GitHub 平臺(tái)上最為熱門的知識(shí)庫，囊括了數(shù)據(jù)科學(xué)、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)中的各種項(xiàng)目，希望能對(duì)大家學(xué)習(xí)、使用有所幫助。另，小編恬不知恥地把機(jī)器之心的 Github 項(xiàng)目也加了進(jìn)來，求 star，求 pull requests。

GitHub 是計(jì)算機(jī)科學(xué)領(lǐng)域最為活躍的社區(qū)，在 GitHub 上，來自不同背景的人們分享越來越多的軟件工具和資源庫。在其中，你不僅可以獲取自己所需的工具，還可以觀看代碼是如何寫成并實(shí)現(xiàn)的。

作為一名機(jī)器學(xué)習(xí)愛好者，作者在本文中列出了 2017 年 GitHub 平臺(tái)上最為熱門的知識(shí)庫，其中包含了學(xué)習(xí)資料與工具。希望對(duì)你的學(xué)習(xí)和研究有所幫助。

目錄

1. 學(xué)習(xí)資源

?1. Awesome Data Science

?2. Machine Learning / Deep Learning Cheat Sheet

?3. Oxford Deep Natural Language Processing Course Lectures

?4. PyTorch – Tutorial

?5. Resources of NIPS 2017

2. 開源工具

?1. TensorFlow

?2. TuriCreate – A Simplified Machine Learning Library

?3. OpenPose

?4. DeepSpeech

?5. Mobile Deep Learning

?6. Visdom

?7. Deep Photo Style Transfer

?8. CycleGAN

?9. Seq2seq

?10. Pix2code

3. 機(jī)器之心項(xiàng)目

?1. AI00-百家影響人工智能未來的公司

?2. Artificial-Intelligence-Terminology

?3. ML-Tutorial-Experiment

1. 學(xué)習(xí)資源

1.1 Awesome Data Science

項(xiàng)目地址： https://github.com/bulutyazilim/awesome-datascience

該 repo 是數(shù)據(jù)科學(xué)的基本資源。多年來的無數(shù)貢獻(xiàn)構(gòu)建了此 repo 里面的各種資源，從入門指導(dǎo)、信息圖，到社交網(wǎng)絡(luò)上你需要 follow 的賬號(hào)。無論你是初學(xué)者還是業(yè)內(nèi)老兵，里面都有大量的資源需要學(xué)習(xí)。

從該 repo 的目錄可以看出其深度。

1.2 Machine Learning / Deep Learning Cheat Sheet

項(xiàng)目地址：https://github.com/kailashahirwar/cheatsheets-ai

該項(xiàng)目以 cheatsheet 的形式介紹了機(jī)器學(xué)習(xí)/深度學(xué)習(xí)中常用的工具與技術(shù)，從 pandas 這樣的簡單工具到深度學(xué)習(xí)技術(shù)都涵蓋其中。在收藏或者 fork 該項(xiàng)目之后，你就不用再費(fèi)事搜索常用的技巧和注意事項(xiàng)了。

簡單介紹下，cheatsheets 類型包括 pandas、numpy、scikit learn、matplotlib、ggplot、dplyr、tidyr、pySpark 和神經(jīng)網(wǎng)絡(luò)。

1.3 Oxford Deep Natural Language Processing Course Lectures

項(xiàng)目地址：https://github.com/oxford-cs-deepnlp-2017/lectures

斯坦福的 NLP 課程一直是自然語言處理領(lǐng)域的金牌教程。但是近期隨著深度學(xué)習(xí)的發(fā)展，在 RNN 和 LSTM 等深度學(xué)習(xí)架構(gòu)的幫助下，NLP 出現(xiàn)了大量進(jìn)步。

該 repo 基于牛津大學(xué)的 NLP 課程，涵蓋先進(jìn)技術(shù)和術(shù)語，如使用 RNN 進(jìn)行語言建模、語音識(shí)別、文本轉(zhuǎn)語音（TTS）等。該 repo 包含該課程從課程材料到實(shí)踐聯(lián)系的所有內(nèi)容。

1.4 PyTorch – Tutorial

項(xiàng)目地址：https://github.com/yunjey/pytorch-tutorial

截至今天，PyTorch 仍是 TensorFlow 的唯一競(jìng)爭對(duì)手，它的功能和聲譽(yù)使其成為了頗具競(jìng)爭力的深度學(xué)習(xí)框架。因其 Pythonic 風(fēng)格的編程、動(dòng)態(tài)計(jì)算圖和更快的原型開發(fā)，Pytorch 已經(jīng)獲得了深度學(xué)習(xí)社區(qū)的廣泛關(guān)注。

該知識(shí)庫包含 PyTorch 上大量的深度學(xué)習(xí)任務(wù)代碼，包括 RNN、GAN 和神經(jīng)風(fēng)格遷移。其中的大多數(shù)模型在實(shí)現(xiàn)上僅需 30 余行代碼。這充分說明了 PyTorch 的抽象能力，它讓研究人員可以專注于找到正確的模型，而無需糾纏于編程語言和工具選擇等細(xì)節(jié)。

1.5 Resources of NIPS 2017

項(xiàng)目地址：https://github.com/hindupuravinash/nips2017

該 repo 包含 NIPS 2017 的資源和所有受邀演講、教程和研討會(huì)的幻燈片。NIPS 是一年一度的機(jī)器學(xué)習(xí)和計(jì)算神經(jīng)科學(xué)會(huì)議。

過去幾年中，數(shù)據(jù)科學(xué)領(lǐng)域內(nèi)的大部分突破性研究都曾作為研究結(jié)果出現(xiàn)在 NIPS 大會(huì)上。如果你想站在領(lǐng)域前沿，那這就是很好的資源！

2. 開源軟件庫

2.1 TensorFlow

項(xiàng)目地址：https://github.com/tensorflow/tensorflow

TensorFlow 是一種采用數(shù)據(jù)流圖（data flow graph）進(jìn)行數(shù)值計(jì)算的開源軟件庫。其中 Tensor 代表傳遞的數(shù)據(jù)為張量（多維數(shù)組），Flow 代表使用計(jì)算圖進(jìn)行運(yùn)算。數(shù)據(jù)流圖用「結(jié)點(diǎn)」（node）和「邊」（edge）組成的有向圖來描述數(shù)學(xué)運(yùn)算。「結(jié)點(diǎn)」一般用來表示施加的數(shù)學(xué)操作，但也可以表示數(shù)據(jù)輸入的起點(diǎn)和輸出的終點(diǎn)，或者是讀取/寫入持久變量（persistent variable）的終點(diǎn)。邊表示結(jié)點(diǎn)之間的輸入/輸出關(guān)系。這些數(shù)據(jù)邊可以傳送維度可動(dòng)態(tài)調(diào)整的多維數(shù)據(jù)數(shù)組，即張量（tensor）。

TensorFlow 自正式發(fā)布以來，一直保持著「深度學(xué)習(xí)/機(jī)器學(xué)習(xí)」頂尖庫的位置。谷歌大腦團(tuán)隊(duì)和機(jī)器學(xué)習(xí)社區(qū)也一直在積極地貢獻(xiàn)并保持最新的進(jìn)展，尤其是在深度學(xué)習(xí)領(lǐng)域。

TensorFlow 最初是使用數(shù)據(jù)流圖進(jìn)行數(shù)值計(jì)算的開源軟件庫，但從目前來看，它已經(jīng)成為構(gòu)建深度學(xué)習(xí)模型的完整框架。它目前主要支持 TensorFlow，但也支持 C、C++ 和 Java 等語言。此外，今年 11 月谷歌終于發(fā)布了新工具的開發(fā)者預(yù)覽版本，這是一款?TensorFlow 用于移動(dòng)設(shè)備和嵌入式設(shè)備的輕量級(jí)解決方案。

2.2 TuriCreate：一個(gè)簡化的機(jī)器學(xué)習(xí)庫

項(xiàng)目地址：https://github.com/apple/turicreate

TuriCreate 是蘋果最近貢獻(xiàn)的一個(gè)開源項(xiàng)目，它為機(jī)器學(xué)習(xí)模型提供易于使用的創(chuàng)建方法和部署方法，這些機(jī)器學(xué)習(xí)模型包括目標(biāo)檢測(cè)、人體姿勢(shì)識(shí)別和推薦系統(tǒng)等復(fù)雜任務(wù)。

可能我們作為機(jī)器學(xué)習(xí)愛好者會(huì)比較熟悉 GraphLab Create，一個(gè)非常簡便高效的機(jī)器學(xué)習(xí)庫，而當(dāng)初創(chuàng)建該庫的公司 TuriCreate 被蘋果收購時(shí)，造成了很大反響。

TuriCreate 是針對(duì) Python 開發(fā)的，且它最強(qiáng)的的特征是將機(jī)器學(xué)習(xí)模型部署到 Core ML 中，用于開發(fā) iOS、macOS、watchOS 和 tvOS 等應(yīng)用程序。

2.3 OpenPose

項(xiàng)目地址： https://github.com/CMU-Perceptual-Computing-Lab/openpose

OpenPose 是一個(gè)多人關(guān)鍵點(diǎn)檢測(cè)庫，它可以幫助我們實(shí)時(shí)地檢測(cè)圖像或視頻中某個(gè)人的位置。

OpenPose 軟件庫由 CMU 的感知計(jì)算實(shí)驗(yàn)室開發(fā)并維護(hù)，對(duì)于說明開源研究如何快速應(yīng)用于部署到工業(yè)中，它是非常好的一個(gè)案例。

OpenPose 的一個(gè)使用案例是幫助解決活動(dòng)檢測(cè)問題，即演員完成的動(dòng)作或活動(dòng)能被實(shí)時(shí)捕捉到。然后這些關(guān)鍵點(diǎn)和它們的動(dòng)作可用來制作動(dòng)畫片。OpenPose 不僅有 C++的 API 以使開發(fā)者能快速地訪問它，同時(shí)它還有簡單的命令行界面用來處理圖像或視頻。

2.4 DeepSpeech

項(xiàng)目地址： https://github.com/mozilla/DeepSpeech

DeepSpeech 是百度開發(fā)的開源實(shí)現(xiàn)庫，它提供了當(dāng)前頂尖的語音轉(zhuǎn)文本合成技術(shù)。它基于 TensorFlow 和 Python，但也可以綁定到 NodeJS 或使用命令行運(yùn)行。

Mozilla 一直是構(gòu)建 DeepSpeech 和開源軟件庫的主要研究力量，Mozilla 技術(shù)戰(zhàn)略副總裁 Sean White 在一篇博文中寫道：「目前只有少數(shù)商用質(zhì)量的語音識(shí)別引擎是開源的，它們大多數(shù)由大型公司主宰。這樣就減少了初創(chuàng)公司、研究人員和傳統(tǒng)企業(yè)為它們的用戶定制特定的產(chǎn)品與服務(wù)。但我們與機(jī)器學(xué)習(xí)社區(qū)的眾多開發(fā)者和研究者共同完善了該開源庫，因此目前 DeepSpeech 已經(jīng)使用了復(fù)雜和前沿的機(jī)器學(xué)習(xí)技術(shù)創(chuàng)建語音到文本的引擎。」

2.5 Mobile Deep Learning

項(xiàng)目地址：https://github.com/baidu/mobile-deep-learning

該 repo 將數(shù)據(jù)科學(xué)中的當(dāng)前最佳技術(shù)移植到了移動(dòng)平臺(tái)上。該 repo 由百度研究院開發(fā)，目的是將深度學(xué)習(xí)模型以低復(fù)雜性和高速度部署到移動(dòng)設(shè)備（例如 Android 和 IOS）上。

該 repo 解釋了一個(gè)簡單的用例，即目標(biāo)檢測(cè)。它可以識(shí)別目標(biāo)（例如一張圖像中的手機(jī)）的準(zhǔn)確位置，很棒不是嗎？

2.6 Visdom

項(xiàng)目地址：https://github.com/facebookresearch/visdom

Visdom 支持圖表、圖像和文本在協(xié)作者之間進(jìn)行傳播。你可以用編程的方式組織可視化空間，或者通過 UI 為實(shí)時(shí)數(shù)據(jù)創(chuàng)建儀表盤，檢查實(shí)驗(yàn)結(jié)果，或者調(diào)試實(shí)驗(yàn)代碼。

繪圖函數(shù)中的輸入會(huì)發(fā)生改變，盡管大部分輸入是數(shù)據(jù)的張量 X（而非數(shù)據(jù)本身）和（可選）張量 Y（包含可選數(shù)據(jù)變量，如標(biāo)簽或時(shí)間戳）。它支持所有基本圖表類型，以創(chuàng)建 Plotly 支持的可視化。

Visdom 支持使用 PyTorch 和 Numpy。

2.7 Deep Photo Style Transfer

項(xiàng)目地址：https://github.com/luanfujun/deep-photo-styletransfer

該 repo 基于近期論文《Deep Photo Style Transfer》，該論文介紹了一種用于攝影風(fēng)格遷移的深度學(xué)習(xí)方法，可處理大量圖像內(nèi)容，同時(shí)有效遷移參考風(fēng)格。該方法成功克服了失真，滿足了大量場(chǎng)景中的攝影風(fēng)格遷移需求，包括時(shí)間、天氣、季節(jié)、藝術(shù)編輯等場(chǎng)景。

2.8 CycleGAN

項(xiàng)目地址：https://github.com/junyanz/CycleGAN

CycleGAN 是一個(gè)有趣且強(qiáng)大的庫，展現(xiàn)了該頂尖技術(shù)的潛力。舉例來說，下圖大致展示了該庫的能力：調(diào)整圖像景深。這里有趣的點(diǎn)在于你事先并沒有告訴算法需要注意圖像的哪一部分。算法完全依靠自己做到了！

目前該庫用 Lua 編寫，但是它也可以在命令行中使用。

2.9 Seq2seq

項(xiàng)目地址：https://github.com/google/seq2seq

Seq2seq 最初是為機(jī)器翻譯而建立的，但已經(jīng)被開發(fā)用于多種其它任務(wù)，包括摘要生成、對(duì)話建模和圖像捕捉。只要一個(gè)問題的結(jié)構(gòu)是將輸入數(shù)據(jù)編碼為一種格式，并將其解碼為另一種格式，就可以使用 Seq2seq 框架。它使用了所有流行的基于 Python 的 TensorFlow 庫進(jìn)行編程。

2.10 Pix2code

項(xiàng)目地址：https://github.com/tonybeltramelli/pix2code

這個(gè)深度學(xué)習(xí)項(xiàng)目非常令人振奮，它嘗試為給定的 GUI 自動(dòng)生成代碼。當(dāng)建立網(wǎng)站或移動(dòng)設(shè)備界面的時(shí)候，通常前端工程師必須編寫大量枯燥的代碼，這很費(fèi)時(shí)和低效。這阻礙了開發(fā)者將主要的時(shí)間用于實(shí)現(xiàn)真正的功能和軟件邏輯。Pix2code 的目的是通過將過程自動(dòng)化來克服這一困難。它基于一種新方法，允許以單個(gè) GUI 截圖作為輸入來生成計(jì)算機(jī) token。

Pix2code 使用 Python 編寫，可將移動(dòng)設(shè)備和網(wǎng)站界面的捕捉圖像轉(zhuǎn)換成代碼。

3. 機(jī)器之心項(xiàng)目

機(jī)器之心目前在 GitHub 上也有三個(gè)項(xiàng)目，分別是評(píng)估人工智能各領(lǐng)域優(yōu)秀公司的 AI00、人工智能領(lǐng)域中英術(shù)語集和模型試驗(yàn)與解釋項(xiàng)目。

3.1 AI00——機(jī)器之心百家影響人工智能未來的公司榜單

項(xiàng)目地址：https://github.com/jiqizhixin/AI00

人工智能是一個(gè)復(fù)雜龐大的體系，涉及眾多學(xué)科，也關(guān)乎技術(shù)、產(chǎn)品、行業(yè)和資本等眾多要素，本報(bào)告的寫作團(tuán)隊(duì)只代表他們的專業(yè)觀點(diǎn)，有自己的局限性，需要更多行業(yè)專家參與進(jìn)來加以修正和完善。

我們深刻地理解在沒有專業(yè)用戶反饋的情況下所做出報(bào)告的質(zhì)量局限性，所以希望用工程界「Agile Development」的理念來對(duì)待我們的報(bào)告，不斷收集專業(yè)反饋來持續(xù)提升報(bào)告質(zhì)量。

為此，我們將邀請(qǐng)人工智能領(lǐng)域的科學(xué)家、技術(shù)專家、產(chǎn)業(yè)專家、專業(yè)投資人和讀者加入進(jìn)來，共同完成這項(xiàng)人工智能的長期研究。我們將對(duì)參與者提供的信息進(jìn)行匯總和整理，以月度為單位更新此份報(bào)告。

3.2 Artificial-Intelligence-Terminology

項(xiàng)目地址：https://github.com/jiqizhixin/Artificial-Intelligence-Terminology

我們將機(jī)器之心在編譯技術(shù)文章和論文過程中所遇到的專業(yè)術(shù)語記錄下來，希望有助于大家查閱和翻譯（第二版）。

本詞匯庫目前擁有的專業(yè)詞匯共計(jì) 760 個(gè)，主要為機(jī)器學(xué)習(xí)基礎(chǔ)概念和術(shù)語，同時(shí)也是該項(xiàng)目的基本詞匯。機(jī)器之心將繼續(xù)完善術(shù)語的收錄和擴(kuò)展閱讀的構(gòu)建。

詞匯更新主要分為兩個(gè)階段，第一階段機(jī)器之心將繼續(xù)完善基礎(chǔ)詞匯的構(gòu)建，即通過權(quán)威教科書或其它有公信力的資料抽取常見術(shù)語。第二階段機(jī)器之心將持續(xù)性地把編譯論文或其他資料所出現(xiàn)的非常見術(shù)語更新到詞匯表中。

讀者的反饋意見和更新建議將貫穿整個(gè)階段，并且我們將在項(xiàng)目致謝頁中展示對(duì)該項(xiàng)目起積極作用的讀者。因?yàn)槲覀兿Ｍg(shù)語的更新更具準(zhǔn)確度和置信度，所以我們希望讀者能附上該術(shù)語的來源地址與擴(kuò)展地址。因此，我們能更客觀地更新詞匯，并附上可信的來源與擴(kuò)展。

3.3 ML-Tutorial-Experiment

項(xiàng)目地址：https://github.com/jiqizhixin/ML-Tutorial-Experiment

該項(xiàng)目主要是展示我們?cè)趯?shí)驗(yàn)機(jī)器學(xué)習(xí)模型中所獲得的經(jīng)驗(yàn)與解釋，目前我們解釋并實(shí)現(xiàn)了卷積神經(jīng)網(wǎng)絡(luò)、生成對(duì)抗網(wǎng)絡(luò)和 CapsNet。這些實(shí)現(xiàn)都有非常詳細(xì)的文章以說明模型的結(jié)構(gòu)與實(shí)現(xiàn)代碼。如下所示為這三個(gè)實(shí)現(xiàn)項(xiàng)目的說明：

• 機(jī)器之心 GitHub 項(xiàng)目：從零開始用 TensorFlow 搭建卷積神經(jīng)網(wǎng)絡(luò)?
• 機(jī)器之心 GitHub 項(xiàng)目：GAN 完整理論推導(dǎo)與實(shí)現(xiàn)，Perfect！
• 先讀懂 CapsNet 架構(gòu)然后用 TensorFlow 實(shí)現(xiàn)，這應(yīng)該是最詳細(xì)的教程了

原文鏈接：https://www.analyticsvidhya.com/blog/2017/12/15-data-science-repositories-github-2017/

《新程序員》：云原生和全面數(shù)字化實(shí)踐50位技術(shù)專家共同創(chuàng)作，文字、視頻、音頻交互閱讀

總結(jié)

以上是生活随笔為你收集整理的2017年度盘点：15个最流行的GitHub机器学习项目 By 机器之心2017年12月21日 15:23 在本文中，作者列出了 2017 年 GitHub 平台上最为热门的知识库，囊括了数据科学、机的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。