在過去機器學(xué)習(xí)蓬勃發(fā)展的一年中，許多好用實用的機器學(xué)習(xí)項目也紛紛出現(xiàn)，新智元為大家推薦2018年中六大最實用的機器學(xué)習(xí)項目。

過去一年，是人工智能和機器學(xué)習(xí)蓬勃發(fā)展的一年。許多高影響力的機器學(xué)習(xí)應(yīng)用被開發(fā)出來，特別是在醫(yī)療保健、金融、語音識別、增強現(xiàn)實以及更復(fù)雜的3D和視頻應(yīng)用中。

我們已經(jīng)看到了更多的應(yīng)用驅(qū)動研究，而不是理論研究。雖然這些研究有著一些不足，但當前的確產(chǎn)生了巨大的積極影響，也促成了很多可以迅速商業(yè)化的新研發(fā)。這一趨勢也在機器學(xué)習(xí)的大部分開源項目中得到了強烈反映。

讓我們來看看過去一年中前6大最實用的機器學(xué)習(xí)項目。這些項目發(fā)布了代碼和數(shù)據(jù)集，允許個別開發(fā)人員和小型團隊學(xué)習(xí)并能實現(xiàn)立即創(chuàng)造價值。它們可能不是理論上最具開創(chuàng)性的作品，但卻非常適用且實用。

Fast.ai——易于使用，流程簡便

Github鏈接：

https://github.com/fastai/fastai?utm_source=mybridge&utm_medium=blog&utm_campaign=read_more

項目鏈接：https://docs.fast.ai/

Fast.ai庫的編寫是為了簡化訓(xùn)練快速準確的神經(jīng)網(wǎng)絡(luò)。它去掉了在實踐中實施深度神經(jīng)網(wǎng)絡(luò)可能帶來的所有細節(jié)工作。

Fast.ai非常易于使用，并且設(shè)計成符合開發(fā)者的應(yīng)用程序來構(gòu)建思維模式。最初這個開源項目是為Fast.ai課程的學(xué)生創(chuàng)建的，該庫以簡潔易懂的方式編寫在易于使用的Pytorch庫上。

Detectron——Facebook AI出品

github鏈接：

https://github.com/facebookresearch/Detectron?utm_source=mybridge&utm_medium=blog&utm_campaign=read_more

Detectron是Facebook AI用于物體檢測和實例分割研究所創(chuàng)建的研究平臺，用Caffe2進行編寫。它包含各種目標檢測算法的實現(xiàn)，包括：

Mask R-CNN:：使用更快的R-CNN結(jié)構(gòu)的目標檢測和實例分割；

RetinaNet：一個基于特征金字塔的網(wǎng)絡(luò)，具有獨特的Focal Loss來處理難題；

更快的R-CNN：目標檢測網(wǎng)絡(luò)最常見的結(jié)構(gòu)

所有網(wǎng)絡(luò)都可以使用以下幾種可選的分類主干之一：

ResNeXt {50101152}（https://arxiv.org/abs/1611.05431）

RESNET {50101152}（https://arxiv.org/abs/1512.03385）

特征金字塔網(wǎng)絡(luò)（使用ResNet / ResNeXt）（https://arxiv.org/abs/1612.03144）

VGG16（https://arxiv.org/abs/1409.1556）

更重要的是，以上都帶有COCO數(shù)據(jù)集上的預(yù)訓(xùn)練模型，因此開發(fā)者可以立即使用它們。

FastText——Facebook 的又一研究

github鏈接：https://github.com/facebookresearch/fastText

這是來自Facebook的另一個研究，fastText庫專為文本表述和分類而設(shè)計。它配備了預(yù)先訓(xùn)練的150多種語言的詞向量模型。這些詞向量可用于多種任務(wù)，包括文本分類、摘要和翻譯。

Auto-Keras——降低機器學(xué)習(xí)門檻

GitHub鏈接：

https://github.com/jhfjhfj1/autokeras?utm_source=mybridge&utm_medium=blog&utm_campaign=read_more

Auto-Keras是一個用于自動機器學(xué)習(xí)（AutoML）的開源軟件庫。它由德克薩斯州農(nóng)工（Texas A＆M）大學(xué)的DATA實驗室和社區(qū)貢獻者開發(fā)。

AutoML的最終目標是為只有有限數(shù)據(jù)科學(xué)或機器學(xué)習(xí)背景的領(lǐng)域?qū)＜姨峁┮子谠L問的深度學(xué)習(xí)工具。Auto-Keras提供自動搜索深度學(xué)習(xí)模型的最佳架構(gòu)和超參數(shù)的功能。

Dopamine——靈活易使用

GitHub鏈接：

https://github.com/google/dopamine?utm_source=mybridge&utm_medium=blog&utm_campaign=read_more

Dopamine由谷歌創(chuàng)建，是快速原型的強化學(xué)習(xí)算法的研究框架。它旨在靈活且易于使用，實現(xiàn)標準的RL算法、指標和基準。

根據(jù)Dopamine的文檔，他們的設(shè)計原則是：

簡單的實驗：幫助新用戶運行基準實驗；

靈活的開發(fā)：為新用戶提供新的創(chuàng)新想法；

緊湊且可靠：為一些較舊且更流行的算法提供實現(xiàn)的可能性；

可重復(fù)性：確保結(jié)果的可重復(fù)性。

vid2vid——英偉達的“黑科技”

GitHub鏈接：

https://github.com/NVIDIA/vid2vid?utm_source=mybridge&utm_medium=blog&utm_campaign=read_more

vid2vid項目是英偉達（Nvidia）最先進的視頻到視頻的合成算法。Pytorch實現(xiàn)了高分辨率（例如2048x1024）逼真的視頻到視頻轉(zhuǎn)換方法。這一項目的目標是學(xué)習(xí)從輸入源視頻到精確描繪源視頻內(nèi)容的輸出擬真視頻的變換功能。

這個庫的好處在于其選擇多樣性：它提供了幾種不同的vid2vid應(yīng)用程序，包括自動駕駛/城市場景，人臉和人體姿勢。它還附帶了豐富的指令和功能，包括數(shù)據(jù)集加載、任務(wù)評估、訓(xùn)練功能和多塊GPU。