2017年GitHub中最为流行的30个开源机器学习项目

我们对比了近 8800 个开原机器学习项目，并挑选了其中较好的 30 个列举于此。这是一个非常具有竞争力的列表，其中包含 2017 年 1 月-12 月份开源的各类优秀机器学习库、数据集和应用。Mybridge AI 通过流行度、参与度和新鲜程度来对它们进行评级。先给你一个直观印象：它们的 GitHub 平均 stars 是 3558 个。

开源项目对于数据科学家而言非常有意义，我们可以通过阅读源代码，在前人的基础上构建更加强大的项目。现在，你可以尽情尝试一下这些去年较佳项目了。

No.1

FastText：快速文本表示/分类库，来自 Facebook（GitHub 11,786 stars）

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

参考内容：Facebook发布新版fastText：拓展至移动端，加入教程

又及 Muse：多语言无监督/监督词嵌入，基于 FastText（GitHub 695 stars）

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

No.2

Deep-photo-styletransfer：康奈尔大学 Fujun Luan 论文《Deep Photo Style Transfer》的代码与数据（GitHub 9747 stars）

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

No.3

face recognition：最简单的 Python 命令行面部识别 API，来自 Adam Geitgey（GitHub 8672 stars）

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

参考内容：基于Python的开源人脸识别库：离线识别率高达99.38%

No.4

Magenta：机器智能音乐与艺术生成器（GitHub 8113 stars）

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

参考内容：谷歌Magenta项目是如何教神经网络编写音乐的？

No.5

Sonnet：基于 TensorFlow 的神经网络库（GitHub 5731 stars），来自 DeepMind 成员 Malcolm Reynolds

链接：https://github.com/deepmind/sonnet

参考内容：DeepMind开源Sonnet：可在TensorFlow中快速构建神经网络

No.6

deeplearn.js：来自 Google Brain 团队 Nikhil Thorat 的网页端硬件加速机器学习库（GitHub 5462 stars）

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

参考内容：谷歌开源DeepLearn.js：可在网页上实现硬件加速的机器学习

No.7

Fast Style Transfer：TensorFlow 快速风格转换，来自 MIT 的 Logan Engstrom（GitHub 4843 stars）

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

No.8

Pysc2：星际争霸 2 学习环境，来自 DeepMind Timo Ewalds 等人（GitHub 3683 stars）

链接：https://github.com/deepmind/pysc2

No.9

AirSim：基于虚幻引擎的开源自动驾驶模拟器，由微软研究院 Shital Shah 等人提出（GitHub 3861 stars）

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

No.10

Facets：机器学习数据集可视化工具，来自 Google Brain（GitHub 3371 stars）

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

参考内容：谷歌开源机器学习可视化工具 Facets：从全新角度观察数据

No.11

Style2Paints：AI 漫画线稿上色工具，来自苏州大学（GitHub 3310 stars）

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

参考内容：Style2paints：专业的AI漫画线稿自动上色工具

No.12

Tensor2Tensor：用于广义序列-序列模型的工具库，来自 Google Brain 的 Ryan Sepassi（GitHub 3087 stars）

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

参考内容：一个模型库学习所有：谷歌开源模块化深度学习系统Tensor2Tensor

No.13

CycleGAN and pix2pix in PyTorch：基于 PyTorch 的图像-图像转换工具，来自 UC Berkeley 在读博士朱俊彦（GitHub 2847 stars）

链接：https://github.com/junyanz/pytorch-CycleGAN-and-pix2pix

参考内容：你来手绘涂鸦，人工智能生成「猫片」：edges2cats图像转换详解

No.14

Faiss：用密集向量高效相似性搜索与聚类的工具库，来自 Facebook（GitHub 2629 stars）

链接：https://github.com/facebookresearch/faiss

No.15

Fashion-mnist：一个类似于 MNIST 的时尚产品数据集，来自 Zalando Tech 的 Han Xiao（GitHub 2780 stars）

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

No. 16

ParlAI：用于在各种公开可用的对话数据集上训练与评估 AI 模型的框架，来自 Facebook 的 Alexander Miller（GitHub 2578 stars）

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

参考内容：Facebook开源人工智能框架ParlAI：可轻松训练评估对话模型

No.17

Fairseq：来自 FAIR 的序列到序列工具包（GitHub 2571 stars）

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

参考内容：Facebook提出全新CNN机器翻译：准确度超越谷歌而且还快九倍（已开源）

No.18

Pyro：使用 Python 和 PyTorch 进行深度通用概率编程，来自 Uber AI Labs（GitHub 2387 stars）

链接：https://github.com/uber/pyro

参考内容：Uber与斯坦福大学开源深度概率编程语言Pyro：基于PyTorch

No.19

iGAN：基于 GAN 的交互图像生成器（GitHub 2369 stars）

链接：https://github.com/junyanz/iGAN

参考内容：伯克利大学和Adobe开源深度学习图像编辑工具 iGAN

No.20

Deep-image-prior：使用神经网络进行图像恢复，同时无需学习过程，来自 Skoltech 的 Dmitry Ulyanov（GitHub 2188 stars）

链接：https://github.com/DmitryUlyanov/deep-image-prior

No.21

Face classification：基于 Keras CNN 模型与 OpenCV 的实时面部检测和表情/性别分类，训练与 fer2013/imdb 数据集（GitHub 1967 stars）

链接：https://github.com/oarriaga/face_classification

No.22

Speech to Text WaveNet：使用 DeepMind 的 WaveNet 和 TensorFlow 构成的端到端句级英语语音识别，来自 Kakao Brain 的 Namju Kim（GitHub 1961 stars）

链接：https://github.com/buriburisuri/speech-to-text-wavenet

参考内容：DeepMind WaveNet，将机器合成语音水平与人类差距缩小50%

No.23

StarGAN：用于多领域图像-图像转换的统一生成对抗网络（GitHub 1954 stars）

链接：https://github.com/yunjey/StarGAN

No.24

MI-agents：Unity 机器学习智能体，来自 Unity3D 的 Arthur Juliani（GitHub 1658 stars）

链接：https://github.com/Unity-Technologies/ml-agents

No.25

Deep Video Analytics：分布式可视化搜索和可视化数据分析平台，来自康奈尔大学的 Akshay Bhat（GitHub 1494 stars）

链接：https://github.com/AKSHAYUBHAT/DeepVideoAnalytics

No.26

OpenNMT：Torch 上的开源神经机器翻译（GitHub 1490 stars）

链接：https://github.com/OpenNMT/OpenNMT

参考内容：哈佛大学NLP组开源神经机器翻译工具包OpenNMT：已达到生产可用水平

No.27

Pix2PixHD：使用条件 GAN 合成和处理 2048×1024 分辨率的图像，来自英伟达 AI 科学家 Ming-Yu Liu（GitHub 1283 stars）

链接：https://github.com/NVIDIA/pix2pixHD

No.28

Horovod：分布式 TensorFlow 训练框架，来自 Uber 工程团队（GitHub 1188 stars）

链接：https://github.com/uber/horovod

参考内容：详解Horovod：Uber开源的TensorFlow分布式深度学习框架

No.29

AI-Blocks：强大而直观的 WYSIWYG 界面，可让任何人创建机器学习模型（GitHub 899 stars）

链接：https://github.com/MrNothing/AI-Blocks

No.30

Voice Conversion with Non-Parallel Data：基于 TensorFlow 的深度神经网络语音转换（语音风格转换），来自 Kakao Brain 团队的 Dabi Ahn（GitHub 845 stars）

链接：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

文章来源：机器之心

《Go语言实战编程》它的语法简单易学，吸收了C语言以及Java的优点之后，能够为使用者提供更好的错误处理、支持更高的编程效率。同时，Go对于并发的良好支持使得这门语言在服务器端编程有着很多语言无法比拟的优势。学完本期课程可掌握Go语言编程基本能力和Go语言的特性，深度了解Go的一些常用的开发框架，可以熟练运用GO进行开发工作。点击下方二维码报名课程