最火的機(jī)器學(xué)習(xí)開源項(xiàng)目Top10

過去一個(gè)月里， 測(cè)評(píng)了多達(dá) 250 個(gè)開源項(xiàng)目并比較了這些項(xiàng)目的最新和主力版本，根據(jù)多種指標(biāo)進(jìn)行排名，給大家找出最干貨的項(xiàng)目Top10。

● 入榜項(xiàng)目Github平均得星：1,041 ⭐️

● 涵蓋話題：DensePose，圖像分類，多尺度訓(xùn)練，移動(dòng)AI計(jì)算引擎，衛(wèi)星圖像，NLP，Python包，字檢測(cè)，NCRF，DALI

 

希望以下開源項(xiàng)目能助你興趣發(fā)揚(yáng)、靈感激蕩。

 

第一名

 

DensePose: Facebook帶你突破次元壁！

Github得星：2901 ⭐️

 

Facebook AI Research（FAIR）于今年6月18號(hào)開源了將2D RGB圖像的所有人類像素映射到身體的3D表面模型的實(shí)時(shí)方法DensePose，這意味著二次元的人類圖片可以被轉(zhuǎn)化成三次元模型！有什么用呢？比如網(wǎng)購(gòu)的時(shí)候傳一張自己的照片就可以直接試衣服而且效果感人，比如在手機(jī)上有如在練功房一樣學(xué)跳舞……DensePose在單個(gè)GPU上以每秒多幀的速度運(yùn)行，可以同時(shí)處理數(shù)十甚至數(shù)百個(gè)人。

 

項(xiàng)目地址：https://github.com/facebookresearch/DensePose

 

第二名

 

Darts: 指數(shù)級(jí)加速架構(gòu)搜索

Github得星：1128 ⭐️

 

卡耐基梅隆大學(xué)（CMU）在讀博士劉寒驍、DeepMind 研究員 Karen Simonyan 以及 CMU 教授楊一鳴提出的「可微架構(gòu)搜索」DARTS(Differentiable Architecture Search)方法基于連續(xù)搜索空間的梯度下降，可讓計(jì)算機(jī)更高效地搜索神經(jīng)網(wǎng)絡(luò)架構(gòu)。據(jù)論文所述，DARTS在發(fā)現(xiàn)高性能的圖像分類卷積架構(gòu)和語(yǔ)言建模循環(huán)架構(gòu)中皆表現(xiàn)優(yōu)異，而且速度比之前最優(yōu)的不可微方法快了幾個(gè)數(shù)量級(jí)，所用 GPU 算力有時(shí)甚至僅為此前搜索方法的 700 分之 1，這意味著單塊 GPU 也可以完成任務(wù)。

 

論文鏈接：https://arxiv.org/abs/1806.09055

 

第三名

 

SNIPER：高效的多尺度物體檢測(cè)算法

Github得星：1352 ⭐️

 

SNIPER是一種有效的多尺度訓(xùn)練方法，用于實(shí)例級(jí)識(shí)別任務(wù)，如對(duì)象檢測(cè)和實(shí)例級(jí)分割。 SNIPER不是處理圖像金字塔中的所有像素，而是選擇性地處理地面實(shí)況對(duì)象周圍的上下文區(qū)域（a.k.a芯片）。由于它在低分辨率芯片上運(yùn)行，因此顯著加速了多尺度訓(xùn)練。由于其內(nèi)存高效設(shè)計(jì)，SNIPER可以在訓(xùn)練期間受益于批量標(biāo)準(zhǔn)化，并且可以在單個(gè)GPU上實(shí)現(xiàn)更大批量大小的實(shí)例級(jí)識(shí)別任務(wù)。

 

項(xiàng)目地址：https://github.com/mahyarnajibi/SNIPER

 

第四名

 

Mace: 米家移動(dòng)端深度學(xué)習(xí)前向預(yù)測(cè)框架

Github得星：2118 ⭐️

 

Mobile AI Compute Engine (MACE) 是一個(gè)專為移動(dòng)端異構(gòu)計(jì)算設(shè)備優(yōu)化的深度學(xué)習(xí)前向預(yù)測(cè)框架。 MACE覆蓋了常見的移動(dòng)端計(jì)算設(shè)備（CPU，GPU和DSP），并且提供了完整的工具鏈和文檔，用戶借助MACE能夠 很方便地在移動(dòng)端部署深度學(xué)習(xí)模型。MACE已經(jīng)在小米內(nèi)部廣泛使用并且被充分驗(yàn)證具有業(yè)界領(lǐng)先的性能和穩(wěn)定性。

 

項(xiàng)目地址：https://github.com/XiaoMi/mace

 

第五名

 

Robosat: 航空和衛(wèi)星圖像的語(yǔ)義分割

Github得星： 776⭐️

 

RoboSat是一個(gè)用Python 3編寫的端到端管道，用于從航空和衛(wèi)星圖像中提取特征。 特征可以是圖像中視覺上可區(qū)分的任何內(nèi)容，例如：建筑物，停車場(chǎng)，道路或汽車。

 

項(xiàng)目地址：https://github.com/mapbox/robosat

 

第六名

 

decaNLP ：自然語(yǔ)言處理十項(xiàng)全能

Github得星：886 ⭐️

 

這是一個(gè)能同時(shí)處理回答問題、機(jī)器翻譯、文本綜述、自然語(yǔ)言推理、語(yǔ)義分析、語(yǔ)義標(biāo)注、零樣本關(guān)系提取、面向目標(biāo)的對(duì)話、語(yǔ)義解析和常識(shí)名詞解析十項(xiàng)自然語(yǔ)言任務(wù)的通用模型，由Salesforce發(fā)布，號(hào)稱是NLP領(lǐng)域的瑞士軍刀。

 

項(xiàng)目地址：https://github.com/salesforce/decaNLP

 

第七名

 

Magnitude： 快速簡(jiǎn)單的向量嵌入實(shí)體庫(kù)

Github得星： 427 ⭐️

 

功能豐富的Python包和矢量存儲(chǔ)文件格式，用于在Plasticity開發(fā)的快速、高效、簡(jiǎn)單的方式中將矢量嵌入用于機(jī)器學(xué)習(xí)模型。 它主要是為Gensim提供更簡(jiǎn)單/更快速的替代方案，但可以用作NLP之外的域的通用密鑰向量存儲(chǔ)。

 

項(xiàng)目地址：https://github.com/plasticityai/magnitude

 

第八名

 

Porcupine ：基于設(shè)備的語(yǔ)言喚醒檢測(cè)引擎

Github得星：373 ⭐️

 

Porcupine是一款自助式，高精度，輕量級(jí)的喚醒字檢測(cè)引擎。 它使開發(fā)人員搭建具有語(yǔ)言功能、始終處于聆聽狀態(tài)的應(yīng)用或平臺(tái)。 開發(fā)人員有權(quán)在幾秒鐘內(nèi)選擇任何喚醒詞并構(gòu)建其模型。使用在真實(shí)情況下訓(xùn)練的深度神經(jīng)網(wǎng)絡(luò)（即噪聲和混響）。緊湊且計(jì)算效率高，使其適用于物聯(lián)網(wǎng)應(yīng)用。跨平臺(tái)。 它以純定點(diǎn)ANSI C實(shí)現(xiàn)。目前支持Raspberry Pi，Android，iOS，watchOS，Linux，Mac和Windows。具備可擴(kuò)展性。它可以同時(shí)檢測(cè)數(shù)十個(gè)喚醒字，幾乎沒有額外的內(nèi)存占用。

 

項(xiàng)目地址：https://github.com/Picovoice/Porcupine

 

第九名

 

NCRF： 百度利用神經(jīng)條件隨機(jī)場(chǎng)檢測(cè)癌癥轉(zhuǎn)移

Github得星： 290⭐️

 

百度研究人員提出一種神經(jīng)條件隨機(jī)場(chǎng)（neural conditional random field，NCRF）深度學(xué)習(xí)框架，來(lái)檢測(cè) WSI 中的癌細(xì)胞轉(zhuǎn)移，在提升腫瘤圖像準(zhǔn)確率的同時(shí)也減少了假陽(yáng)性的出現(xiàn)幾率。NCRF 通過一個(gè)直接位于 CNN 特征提取器上方的全連接 CRF，來(lái)考慮相鄰圖像塊之間的空間關(guān)聯(lián)。整個(gè)深度網(wǎng)絡(luò)可以使用標(biāo)準(zhǔn)反向傳播算法，以最小算力進(jìn)行端到端的訓(xùn)練。CNN 特征提取器也可以從利用 CRF 考慮空間關(guān)聯(lián)中受益。與不考慮空間關(guān)聯(lián)的基線方法相比，NCRF 框架可獲取更高視覺質(zhì)量的圖像塊預(yù)測(cè)概率圖。

 

項(xiàng)目地址：https://github.com/baidu-research/NCRF

 

第十名

 

DALI：NVIDIA快速圖像增強(qiáng)的簡(jiǎn)便大法

Github得星： 420⭐️

 

NVIDIA DALI是一個(gè)GPU加速的數(shù)據(jù)增強(qiáng)和圖像加載庫(kù)，為優(yōu)化深度學(xué)習(xí)框架數(shù)據(jù)pipeline而設(shè)計(jì)，DALI 提供加速不同數(shù)據(jù)管道的性能和靈活性，作為一個(gè)單獨(dú)的庫(kù)，可以輕松集成到不同的深度學(xué)習(xí)訓(xùn)練和推理應(yīng)用程序中。

 

DALI 的主要亮點(diǎn)包括：

● 從磁盤讀取到準(zhǔn)備訓(xùn)練/推斷的完整的數(shù)據(jù)流水線；

● 具有可配置圖形和自定義operator的自定義數(shù)據(jù)pipeline；

● 支持圖像分類和分割工作量；

● 通過框架插件和開源綁定輕松實(shí)現(xiàn)集成（MxNet、TensorFlow、PyTorch等）；

● 具有多種輸入格式的可移植訓(xùn)練工作流 - JPEG，LMDB，RecordIO，TFRecord；

項(xiàng)目地址：https://github.com/NVIDIA/DALI