頂級的開源項(xiàng)目

BERT

BERT，全稱為Bidirectional Encoder Representations from Transformers，是一種基于TensorFlow解決自然語言處理的新方法，且性能更好。我們可以使用BERT中的 預(yù)訓(xùn)練模型解決問題，該模型在性能上具有很大優(yōu)勢，比如可以識別句子中的上下文。在Github中非常受歡迎，有8848個(gè)星，完整學(xué)術(shù)論文請?jiān)L問這里。

DeepCreamPy

DeepCreamPy是一個(gè)深度學(xué)習(xí)工具，可以像Photoshop一樣重建圖像中被刪除的區(qū)域。我們使用圖像編輯工具（比如PS）將刪減的區(qū)域填充為綠色，神經(jīng)網(wǎng)絡(luò)可以對其進(jìn)行復(fù)原。該項(xiàng)目在Github中有6365顆星。

TRFL

TRFL項(xiàng)目可用于編寫TensorFlow中的強(qiáng)化學(xué)習(xí)代理，具體的操作文檔在這里。

Horizon

Horizon是一個(gè)基于PyTorch構(gòu)建的強(qiáng)化學(xué)習(xí)平臺，并使用Caffe2為模型提供服務(wù)。Horizon的主要優(yōu)勢在于，設(shè)計(jì)者在設(shè)計(jì)這一平臺的時(shí)候，考慮了生產(chǎn)用例。想要了解更多詳細(xì)內(nèi)容，請查看Facebook Research官方文檔。另外，如果你想使用Horizon，可查看該使用文檔。

DeOldify

DeOldify是一個(gè)用于著色和恢復(fù)舊圖像的深度學(xué)習(xí)庫。開發(fā)者結(jié)合了幾種不同的方法，來實(shí)現(xiàn)這一目標(biāo)，其中的幾種方法包括：帶自注意力機(jī)制的生成對抗網(wǎng)絡(luò)（Self-Attention Generative Adversarial Networks），Progressive Growing of GANs，以及TTUR（ Two Time-Scale Update Rule）。

AdaNet

AdaNet是一個(gè)基于TensorFlow的庫，它可以自動學(xué)習(xí)模型，且不需要很多的技術(shù)人員參與，該項(xiàng)目基于AdaNet算法。訪問AdaNet的官方文檔，請點(diǎn)擊這里。

Graph Nets

<!--[endif]-->

Graph Nets是用于構(gòu)建Sonnet和TensorFlow的DeepMind庫。Graph 網(wǎng)絡(luò)輸入一個(gè)圖形，輸出也是一個(gè)圖形。

Maskrcnn-benchmark

Maskrcnn-benchmark項(xiàng)目可以幫助我們在Pytorch中構(gòu)建對象檢測和分割工具。這個(gè)庫的優(yōu)勢在于速度快、內(nèi)存效率高，可以進(jìn)行多個(gè)GPU訓(xùn)練和推斷，且為推斷提供CPU支持。

PocketFlow

PocketFlow項(xiàng)目是一個(gè)加速和壓縮深度學(xué)習(xí)模型的框架。它解決了大多數(shù)深度學(xué)習(xí)模型的計(jì)算費(fèi)用問題。該項(xiàng)目最初由騰訊AI實(shí)驗(yàn)室的研究人員開發(fā)，了解其實(shí)現(xiàn)及官方文檔請點(diǎn)擊這里。

MAMEToolkit

MAMEToolKit是一個(gè)訓(xùn)練街機(jī)游戲強(qiáng)化學(xué)習(xí)算法的庫，使用該工具可以跟蹤游戲狀態(tài)，同時(shí)也可以接收游戲幀數(shù)據(jù)。

機(jī)器學(xué)習(xí)框架的主要發(fā)展

PyTorch 1.0

在今年10月份舉辦的PyTorch會議期間，Facebook發(fā)布了PyTorch 1.0預(yù)覽版。PyTorch 1.0解決了以下問題：訓(xùn)練耗時(shí)長、聯(lián)網(wǎng)問題、緩慢的可擴(kuò)展性以及Python編程語言帶來的一些不靈活性。

PyTorch 1.0引入了一組編譯工具Torch.jit，這將彌補(bǔ)生產(chǎn)和研究之間的差距。Torch.jit中包含Python中的Torch Script語言，在PyTorch 1.0中，我們可以使用圖形模式構(gòu)建模型，這在開發(fā)高性能和低延遲的應(yīng)用程序中非常有用。

Auto-Keras

你或許聽過自動化機(jī)器學(xué)習(xí)（automated machine learning），即自動化搜索機(jī)器學(xué)習(xí)模型的最佳參數(shù)。除Auto-Keras之外，還有其他的自動化機(jī)器學(xué)習(xí)模型，比如Google的AutoML。Auto-Keras是基于Keras和ENAS編寫的，其中，ENAS是神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)搜索的最新版本。

TensorFlow Serving

使用TensorFlow Serving系統(tǒng)，我們能更加輕松的將TensorFlow模型部署到生產(chǎn)環(huán)境中。雖然TensorFlow Serving在2017年就已經(jīng)發(fā)布，但是今年更加注重將模型應(yīng)用到生產(chǎn)環(huán)境環(huán)節(jié)。

Machine Learning Javascript

現(xiàn)在已經(jīng)有一些可以允許開發(fā)人員在瀏覽器上運(yùn)行模型的Javascript框架，比如TensorFlow.js和Keras.js。其模型實(shí)現(xiàn)與使用的方法，與Keras或TensorFlow等常規(guī)框架非常相似。

展望未來

2019年馬上就要到了，隨著Auto-Keras等自動化工具的發(fā)展，開發(fā)人員的工作有望變得更加輕松。除此以外，我們還擁有先進(jìn)的研究以及優(yōu)秀的社區(qū)，各類機(jī)器學(xué)習(xí)框架的性能還會更上一層樓。

文章原標(biāo)題《2018 Year-in-Review: Machine Learning Open Source Projects & Frameworks》

譯者：Mags，審校：袁虎