在過去的幾年里，機(jī)器學(xué)習(xí)為各行各業(yè)開創(chuàng)了新紀(jì)元，誕生了許多成功的案例： Facebook 的面部識(shí)別，Netflix 的智能電影推薦系統(tǒng)，PrimaAI 的圖像風(fēng)格轉(zhuǎn)換，Siri 的語音識(shí)別，Google Allo 的自然語言處理，及其他很多開發(fā)中的項(xiàng)目。

除了這些案例以外，GitHub 上有大量托管的開源機(jī)器學(xué)習(xí)項(xiàng)目。我們挑選了最受大家歡迎的項(xiàng)目，這些項(xiàng)目涵蓋 CV、NLP 及語音三大領(lǐng)域的 25 個(gè)開源項(xiàng)目，包括：如何讓機(jī)器學(xué)習(xí)創(chuàng)作音樂、歌曲；如何為草圖、灰度圖像上色；圖片風(fēng)格轉(zhuǎn)換；語音風(fēng)格遷移；在 IOS 或 Android 上進(jìn)行面部檢測與情感分類；提供游戲研究平臺(tái)；最先進(jìn)的物體檢測算法的實(shí)現(xiàn)；無人機(jī)與汽車的模擬器；損毀圖像的恢復(fù)工具、人體關(guān)鍵點(diǎn)檢測等內(nèi)容。希望大家能從中學(xué)到新的知識(shí)并得到啟發(fā)。

▌TensorFlow

TensorFlow 是一個(gè)用于研究和生產(chǎn)的開源機(jī)器學(xué)習(xí)庫。 TensorFlow 為初學(xué)者和專家提供了各種API，以便對(duì)桌面、移動(dòng)終端、Web和云進(jìn)行開發(fā)。

TensorFlow 由 Google Brain 團(tuán)隊(duì)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(jí)神經(jīng)網(wǎng)絡(luò) API，能夠在 TensorFlow， CNTK 或 Theano 之上運(yùn)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(xué)習(xí)的框架工具。 它專為提高效率和靈活性而設(shè)計(jì)，允許混合使用符號(hào)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(duì)是這個(gè)列表里一定要提到的一款應(yīng)用，它在機(jī)器學(xué)習(xí)愛好者里享有很高的知名度。 PyTorch 基于 Torch ，并由 Facebook 作為其機(jī)器學(xué)習(xí)的框架發(fā)布。 PyTorch 是一個(gè) Python 包，它提供兩個(gè)高級(jí)功能：由強(qiáng) GPU 支持的加速張量計(jì)算（如 NumPy ），其深度神經(jīng)網(wǎng)絡(luò)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(jī)器學(xué)習(xí)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(xué)習(xí)和強(qiáng)化學(xué)習(xí)的算法以用于生成歌曲、圖像、繪圖和其他素材。 同時(shí)，Magenta 也是對(duì)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(kuò)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(jí)機(jī)器學(xué)習(xí)可以使用在這個(gè)領(lǐng)域，但 Megenta 向人們完美地展示了應(yīng)用的可能性。點(diǎn)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(xiàng)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(fēng)格、亦或者將現(xiàn)有的風(fēng)格轉(zhuǎn)換至另一種風(fēng)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(xiàng)目有兩個(gè)組成部分，CycleGAN 和 pix2pix ?；?PyTorch ，它們可以實(shí)現(xiàn)用于未配對(duì)和成對(duì)的圖像到圖像轉(zhuǎn)換。 乍看之下，它仿佛只是一種相當(dāng)普通的風(fēng)格轉(zhuǎn)移解決方案，事實(shí)上，它跟其他應(yīng)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(shí)景照片轉(zhuǎn)換為莫奈風(fēng)格的畫作。并且它的處理速度快到足以在實(shí)時(shí)視頻上應(yīng)用。

▌Deep voice conversion

列表上已經(jīng)羅列了一些用于圖像和視頻的風(fēng)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(huì)怎么干點(diǎn)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(biāo)聲音，也就是所謂的語音風(fēng)格轉(zhuǎn)移。項(xiàng)目開始時(shí)，我們目標(biāo)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(gè)深度神經(jīng)網(wǎng)絡(luò)和由 Kate Winslet 朗讀的2小時(shí)有聲讀物作為數(shù)據(jù)集來實(shí)現(xiàn)這一目標(biāo)。

▌StarGAN in PyTorch

StarGAN 是這篇文章中提到的一個(gè) PyTorch 應(yīng)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?yàn)槲覀兛梢栽?iOS 和 Android 上使用 Core ML 或 ML Kit 輕松地完成這項(xiàng)工作。 但是隨著深入了解，你會(huì)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(jìn)行實(shí)時(shí)人臉檢測和情感/性別分類。

▌Deep universal probabilistic programming

Uber AI Labs 構(gòu)建了這個(gè)深度概率編程庫，用于簡化其運(yùn)輸服務(wù)的預(yù)測和優(yōu)化收益。 任何處理概率建模的人都會(huì)對(duì)這個(gè)庫感興趣。

機(jī)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(jìn)的人工智能（AI）技術(shù)與數(shù)據(jù)科學(xué)家、工程師和其他用戶的豐富專業(yè)知識(shí)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(xiàng)目的一部分，ParlAI 是一個(gè)用于在各種公開可用的對(duì)話數(shù)據(jù)集上訓(xùn)練和評(píng)估 AI 模型的框架。 ParlAI 是一個(gè)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(shí)，也可以共享和測試對(duì)話模型的統(tǒng)一框架。

▌Facets

Facets 一種可視化機(jī)器學(xué)習(xí)數(shù)據(jù)集的工具。

可視化由 Polymer Web 組件實(shí)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(guān)鍵是跨多個(gè)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(gè)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(shí)現(xiàn)的游戲研究平臺(tái)。 ELF 為游戲研究提供端到端解決方案。 它包括微型實(shí)時(shí)戰(zhàn)略游戲環(huán)境，并發(fā)模擬，數(shù)千臺(tái)機(jī)器的分布式培訓(xùn)，直觀的 API ，基于 Web 的可視化以及由 PyTorch 提供支持的強(qiáng)化學(xué)習(xí)框架。

▌Detectron

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

▌Fast Style Transfer

使用 TensorFlow CNN 實(shí)現(xiàn)，這可能是圖像樣式傳輸?shù)淖罴咽纠唬櫭剂x，它的完成速度非?？?。 該項(xiàng)目基于 Gatys 的藝術(shù)風(fēng)格的神經(jīng)算法， Johnson 對(duì)實(shí)時(shí)樣式轉(zhuǎn)換和超分辨率的感知損失以及 Ulyanov 的實(shí)例規(guī)范化的組合 。

▌Face recognition

此工具提供簡單的面部識(shí)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(jìn)的面部識(shí)別功能構(gòu)建而成，并通過深度學(xué)習(xí)構(gòu)建。 該模型在 Wild 標(biāo)記的 Labeled Faces 中具有 99.38％ 的準(zhǔn)確度。

這還提供了一個(gè)簡單的 face_recognition 命令行工具，可以讓您從命令行對(duì)圖像文件夾進(jìn)行人臉識(shí)別！

▌Deep photo style transfer

另一個(gè)十分好用的圖片風(fēng)格轉(zhuǎn)換工具。 這篇文章里包含本應(yīng)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(gè)有效學(xué)習(xí)單詞意思和句子分類的庫。

為了更好地了解這個(gè)項(xiàng)目，請(qǐng)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(xué)習(xí)中使用該庫。 文本分類的目標(biāo)是將文檔（例如電子郵件，帖子，文本消息，產(chǎn)品評(píng)論等）分配給一個(gè)或多個(gè)類別。

▌AirSim

AirSim 是一款基于 Unreal Engine 的無人機(jī)，汽車的模擬器。 它是開源的，跨平臺(tái)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(gè) 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(jī)器學(xué)習(xí)可以做的比我們想象的要多。 Deep Image Prior 是基于神經(jīng)網(wǎng)絡(luò)的修復(fù)圖像工具 – 并不是機(jī)器學(xué)習(xí)。

此工具可以恢復(fù)帶有劃痕、壞點(diǎn)和/或不需要的文本標(biāo)記的損壞圖像。

▌Open Pose

Open Pose 代表了第一個(gè)在單個(gè)圖像上聯(lián)合檢測人體、手、面部和足部關(guān)鍵點(diǎn)（總共 135 個(gè)關(guān)鍵點(diǎn)）的實(shí)時(shí)多人系統(tǒng)。

▌PirateAT

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

▌EmojiIntelligence

與此列表中的許多項(xiàng)目相比，這個(gè)項(xiàng)目相當(dāng)簡單，但它是學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)如何工作的良好起點(diǎn)。 項(xiàng)目實(shí)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(gè)使用深度學(xué)習(xí)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(luò)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(shí)現(xiàn)。