在過去的幾年里，機器學習為各行各業(yè)開創(chuàng)了新紀元，誕生了許多成功的案例： Facebook 的面部識別，Netflix 的智能電影推薦系統(tǒng)，PrimaAI 的圖像風格轉(zhuǎn)換，Siri 的語音識別，Google Allo 的自然語言處理，及其他很多開發(fā)中的項目。

除了這些案例以外，GitHub 上有大量托管的開源機器學習項目。我們挑選了最受大家歡迎的項目，這些項目涵蓋 CV、NLP 及語音三大領域的 25 個開源項目，包括：如何讓機器學習創(chuàng)作音樂、歌曲；如何為草圖、灰度圖像上色；圖片風格轉(zhuǎn)換；語音風格遷移；在 IOS 或 Android 上進行面部檢測與情感分類；提供游戲研究平臺；最先進的物體檢測算法的實現(xiàn)；無人機與汽車的模擬器；損毀圖像的恢復工具、人體關鍵點檢測等內(nèi)容。希望大家能從中學到新的知識并得到啟發(fā)。

▌TensorFlow

TensorFlow 是一個用于研究和生產(chǎn)的開源機器學習庫。 TensorFlow 為初學者和專家提供了各種API，以便對桌面、移動終端、Web和云進行開發(fā)。

TensorFlow 由 Google Brain 團隊開發(fā)，最初僅供 Google 內(nèi)部使用。2015年11月 9 日，TensorFlow 在 Apache 2.0 開源許可下發(fā)布。最新版本的 TensorFlow 支持 Keras，它是一種用 Python 編寫的高級神經(jīng)網(wǎng)絡 API，能夠在 TensorFlow， CNTK 或 Theano 之上運行。Keras 也包含 Javascript 和 Swift 的接口。

▌Scikit-learn

Scikit-learn 是基于 NumPy、SciPy 和 Matplotlib 的一款簡單有效的數(shù)據(jù)挖掘和數(shù)據(jù)分析工具。 由于其簡單和便捷的功能，它常與 TensorFlow 一起使用。

▌MXNet

除了 TensorFlow 、Keras 和 Scikit-learn 之外，Apache 的 MXNet 也是一款深度學習的框架工具。 它專為提高效率和靈活性而設計，允許混合使用符號和命令式編程，以最大限度地提高效率和生產(chǎn)力。

▌PyTorch

PyTorch 絕對是這個列表里一定要提到的一款應用，它在機器學習愛好者里享有很高的知名度。 PyTorch 基于 Torch ，并由 Facebook 作為其機器學習的框架發(fā)布。 PyTorch 是一個 Python 包，它提供兩個高級功能：由強 GPU 支持的加速張量計算（如 NumPy ），其深度神經(jīng)網(wǎng)絡是建立在基于磁盤的 autograd 包上。

（來源：https://twitter.com/pytorch/status/966324198758006784）

▌magenta

Magenta 目前還在研究過程中，它致力于探索如何讓機器學習參與藝術(shù)和音樂的創(chuàng)作。 它主要涉及創(chuàng)新開發(fā)深度學習和強化學習的算法以用于生成歌曲、圖像、繪圖和其他素材。 同時，Magenta 也是對于如何構(gòu)建智能工具和界面的探索，它允許藝術(shù)家和音樂家使用這些模型擴展（而不是取代?。┧麄兊膭?chuàng)作路徑。

它主要的庫適配于 python ，除此之外也有 Javascript 的版本 — magenta.js 。 在藝術(shù)創(chuàng)作里，大部分人可能從未想過高級機器學習可以使用在這個領域，但 Megenta 向人們完美地展示了應用的可能性。點擊這里觀看這些令人驚嘆的聲音和繪圖生成器的演示吧。

▌style2paints

該項目旨在為線稿著色。 AI 可以根據(jù)既定的顏色樣式在草圖上繪制、或在草圖上創(chuàng)建繪制自己的顏色風格、亦或者將現(xiàn)有的風格轉(zhuǎn)換至另一種風格。

有一些值得一看的新的功能，例如色彩錨和圖像過渡。

▌Image-to-image translation in PyTorch

該項目有兩個組成部分，CycleGAN 和 pix2pix ?；?PyTorch ，它們可以實現(xiàn)用于未配對和成對的圖像到圖像轉(zhuǎn)換。 乍看之下，它仿佛只是一種相當普通的風格轉(zhuǎn)移解決方案，事實上，它跟其他應用不一樣。比如它能將圖片里普通的馬轉(zhuǎn)換為斑馬或從實景照片轉(zhuǎn)換為莫奈風格的畫作。并且它的處理速度快到足以在實時視頻上應用。

▌Deep voice conversion

列表上已經(jīng)羅列了一些用于圖像和視頻的風格轉(zhuǎn)換工具了，但是語音呢？ 深度語音轉(zhuǎn)換便是此功能的完美示例。

如果你可以模仿名人的聲音或擁有著歌手一樣歌喉，你會怎么干點什么？ 深度語音轉(zhuǎn)換的目的是將任意人的聲音轉(zhuǎn)換為特定的目標聲音，也就是所謂的語音風格轉(zhuǎn)移。項目開始時，我們目標將任意人的聲音轉(zhuǎn)換為著名的英國女演員 Kate Winslet 的聲音。 我們使用了一個深度神經(jīng)網(wǎng)絡和由 Kate Winslet 朗讀的2小時有聲讀物作為數(shù)據(jù)集來實現(xiàn)這一目標。

▌StarGAN in PyTorch

StarGAN 是這篇文章中提到的一個 PyTorch 應用：Unified Generative Adversarial Networks for Multi-Domain Image-to-Image Translation。它可以將源圖像轉(zhuǎn)換成不同的發(fā)型、皮膚類型、年齡、性別和不同的情緒。

▌Face detection

面部檢測聽起來不太吸引人，因為我們可以在 iOS 和 Android 上使用 Core ML 或 ML Kit 輕松地完成這項工作。 但是隨著深入了解，你會發(fā)現(xiàn)它不僅可以檢測面部，還可以檢測情緒和性別。

使用 Keras CNN 模型和 OpenCV 在 fer2013 / IMDB 數(shù)據(jù)集的進行實時人臉檢測和情感/性別分類。

▌Deep universal probabilistic programming

Uber AI Labs 構(gòu)建了這個深度概率編程庫，用于簡化其運輸服務的預測和優(yōu)化收益。 任何處理概率建模的人都會對這個庫感興趣。

機遇無處不在，從匹配乘客和駕駛員，建議最佳路線，找到最明智的搭配組合，甚至創(chuàng)造下一代智能車輛。 為了解決這些挑戰(zhàn)，我們將最先進的人工智能（AI）技術(shù)與數(shù)據(jù)科學家、工程師和其他用戶的豐富專業(yè)知識相結(jié)合。 我們正在探索一種工具優(yōu)先的方法，使我們和其他人能夠制作下一代AI解決方案。

▌ParlAI

作為 Facebook 研究項目的一部分，ParlAI 是一個用于在各種公開可用的對話數(shù)據(jù)集上訓練和評估 AI 模型的框架。 ParlAI 是一個在為研究人員提供訪問許多流行數(shù)據(jù)集的權(quán)限的同時，也可以共享和測試對話模型的統(tǒng)一框架。

▌Facets

Facets 一種可視化機器學習數(shù)據(jù)集的工具。

可視化由 Polymer Web 組件實現(xiàn)，由 Typescript 代碼支持，可以輕松嵌入到 Jupyter 筆記本或網(wǎng)頁中。

可視化的關鍵是跨多個數(shù)據(jù)集的異常檢測和分布比較。 有趣的值（例如，大量的缺失數(shù)據(jù)，或跨多個數(shù)據(jù)集非常不同的特征分布）以紅色突出顯示。

▌ELF with AlphaGoZero

ELF 是 AlphaGoZero / AlphaZero 實現(xiàn)的游戲研究平臺。 ELF 為游戲研究提供端到端解決方案。 它包括微型實時戰(zhàn)略游戲環(huán)境，并發(fā)模擬，數(shù)千臺機器的分布式培訓，直觀的 API ，基于 Web 的可視化以及由 PyTorch 提供支持的強化學習框架。

▌Detectron

Detectron 是 Facebook AI Research 的軟件系統(tǒng)，它實現(xiàn)了最先進的物體檢測算法，包括 Mask R-CNN 。 它是用 Python 編寫的，由 Caffe2 深度學習框架提供支持。

▌Fast Style Transfer

使用 TensorFlow CNN 實現(xiàn)，這可能是圖像樣式傳輸?shù)淖罴咽纠?，顧名思義，它的完成速度非?？臁?該項目基于 Gatys 的藝術(shù)風格的神經(jīng)算法， Johnson 對實時樣式轉(zhuǎn)換和超分辨率的感知損失以及 Ulyanov 的實例規(guī)范化的組合 。

▌Face recognition

此工具提供簡單的面部識別 API 。 它可以找到面部特征，并猜出照片中的人物。

使用 dlib 最先進的面部識別功能構(gòu)建而成，并通過深度學習構(gòu)建。 該模型在 Wild 標記的 Labeled Faces 中具有 99.38％ 的準確度。

這還提供了一個簡單的 face_recognition 命令行工具，可以讓您從命令行對圖像文件夾進行人臉識別！

▌Deep photo style transfer

另一個十分好用的圖片風格轉(zhuǎn)換工具。 這篇文章里包含本應用的代碼和研究論文： Deep Photo Style Transfer 。 它提供了簡單的API來合并樣式和源圖像。 令人印象深刻的圖像樣式轉(zhuǎn)移工具。

▌Fast Text

FastText 是一個有效學習單詞意思和句子分類的庫。

為了更好地了解這個項目，請轉(zhuǎn)到他們的文本分類教程，該教程展示了如何在監(jiān)督學習中使用該庫。 文本分類的目標是將文檔（例如電子郵件，帖子，文本消息，產(chǎn)品評論等）分配給一個或多個類別。

▌AirSim

AirSim 是一款基于 Unreal Engine 的無人機，汽車的模擬器。 它是開源的，跨平臺的，它支持硬件在環(huán)，并支持市面上流行的飛行控制器（如 PX4 ）用于物理和視覺逼真的模擬。 這是一個 Unreal 插件，可以簡單地插入到你想要的任何 Unreal 的環(huán)境中。

▌Image restoration

機器學習可以做的比我們想象的要多。 Deep Image Prior 是基于神經(jīng)網(wǎng)絡的修復圖像工具 – 并不是機器學習。

此工具可以恢復帶有劃痕、壞點和/或不需要的文本標記的損壞圖像。

▌Open Pose

Open Pose 代表了第一個在單個圖像上聯(lián)合檢測人體、手、面部和足部關鍵點（總共 135 個關鍵點）的實時多人系統(tǒng)。

▌PirateAT

PirateAI 在模擬環(huán)境（島嶼）中訓練自主代理（海盜）。 這個倉庫運行一個訓練管道，在游戲（尋找寶藏）和模型訓練課程（ Keras + hyperopt ）之間交替。

▌EmojiIntelligence

與此列表中的許多項目相比，這個項目相當簡單，但它是學習神經(jīng)網(wǎng)絡如何工作的良好起點。 項目實現(xiàn)是在沒有任何庫的純 Swift 中，并且很容易模仿。

▌Deep Exemplar-Based Colorization

它是第一個使用深度學習的基于樣本的局部著色工具。 給定參考的彩色圖像后，我們的卷積神經(jīng)網(wǎng)絡直接將灰度圖像映射到輸出彩色圖像。 這是基于 Deep Exemplar-based Colorization 論文的實現(xiàn)。