最火的機器學習開源項目Top10
過去一個月里， 測評了多達 250 個開源項目并比較了這些項目的最新和主力版本，根據多種指標進行排名，給大家找出最干貨的項目Top10。
● 入榜項目Github平均得星：1,041 ⭐️
● 涵蓋話題：DensePose，圖像分類，多尺度訓練，移動AI計算引擎，衛星圖像，NLP，Python包，字檢測，NCRF，DALI
希望以下開源項目能助你興趣發揚、靈感激蕩。
DensePose: Facebook帶你突破次元壁！
Github得星：2901 ⭐️
Facebook AI Research（FAIR）于今年6月18號開源了將2D RGB圖像的所有人類像素映射到身體的3D表面模型的實時方法DensePose，這意味著二次元的人類圖片可以被轉化成三次元模型！有什么用呢？比如網購的時候傳一張自己的照片就可以直接試衣服而且效果感人，比如在手機上有如在練功房一樣學跳舞……DensePose在單個GPU上以每秒多幀的速度運行，可以同時處理數十甚至數百個人。
項目地址：https://github.com/facebookresearch/DensePose
Darts: 指數級加速架構搜索
Github得星：1128 ⭐️
卡耐基梅隆大學（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「可微架構搜索」DARTS(Differentiable Architecture Search)方法基于連續搜索空間的梯度下降，可讓計算機更高效地搜索神經網絡架構。據論文所述，DARTS在發現高性能的圖像分類卷積架構和語言建模循環架構中皆表現優異，而且速度比之前最優的不可微方法快了幾個數量級，所用 GPU 算力有時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。
論文鏈接：https://arxiv.org/abs/1806.09055
SNIPER：高效的多尺度物體檢測算法
Github得星：1352 ⭐️
SNIPER是一種有效的多尺度訓練方法，用于實例級識別任務，如對象檢測和實例級分割。 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況對象周圍的上下文區域（a.k.a芯片）。由于它在低分辨率芯片上運行，因此顯著加速了多尺度訓練。由于其內存高效設計，SNIPER可以在訓練期間受益于批量標準化，并且可以在單個GPU上實現更大批量大小的實例級識別任務。
項目地址：https://github.com/mahyarnajibi/SNIPER
Mace: 米家移動端深度學習前向預測框架
Github得星：2118 ⭐️
Mobile AI Compute Engine (MACE) 是一個專為移動端異構計算設備優化的深度學習前向預測框架。 MACE覆蓋了常見的移動端計算設備（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 很方便地在移動端部署深度學習模型。MACE已經在小米內部廣泛使用并且被充分驗證具有業界領先的性能和穩定性。
項目地址：https://github.com/XiaoMi/mace
Robosat: 航空和衛星圖像的語義分割
Github得星： 776⭐️
RoboSat是一個用Python 3編寫的端到端管道，用于從航空和衛星圖像中提取特征。 特征可以是圖像中視覺上可區分的任何內容，例如：建筑物，停車場，道路或汽車。
項目地址：https://github.com/mapbox/robosat
decaNLP ：自然語言處理十項全能
Github得星：886 ⭐️
這是一個能同時處理回答問題、機器翻譯、文本綜述、自然語言推理、語義分析、語義標注、零樣本關系提取、面向目標的對話、語義解析和常識名詞解析十項自然語言任務的通用模型，由Salesforce發布，號稱是NLP領域的瑞士軍刀。
項目地址：https://github.com/salesforce/decaNLP
Magnitude： 快速簡單的向量嵌入實體庫
Github得星： 427 ⭐️
功能豐富的Python包和矢量存儲文件格式，用于在Plasticity開發的快速、高效、簡單的方式中將矢量嵌入用于機器學習模型。 它主要是為Gensim提供更簡單/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。
項目地址：https://github.com/plasticityai/magnitude
Porcupine ：基于設備的語言喚醒檢測引擎
Github得星：373 ⭐️
Porcupine是一款自助式，高精度，輕量級的喚醒字檢測引擎。 它使開發人員搭建具有語言功能、始終處于聆聽狀態的應用或平臺。 開發人員有權在幾秒鐘內選擇任何喚醒詞并構建其模型。使用在真實情況下訓練的深度神經網絡（即噪聲和混響）。緊湊且計算效率高，使其適用于物聯網應用?？缙脚_。 它以純定點ANSI C實現。目前支持Raspberry Pi，Android，iOS，watchOS，Linux，Mac和Windows。具備可擴展性。它可以同時檢測數十個喚醒字，幾乎沒有額外的內存占用。
項目地址：https://github.com/Picovoice/Porcupine
NCRF： 百度利用神經條件隨機場檢測癌癥轉移
Github得星： 290⭐️
百度研究人員提出一種神經條件隨機場（neural conditional random field，NCRF）深度學習框架，來檢測 WSI 中的癌細胞轉移，在提升腫瘤圖像準確率的同時也減少了假陽性的出現幾率。NCRF 通過一個直接位于 CNN 特征提取器上方的全連接 CRF，來考慮相鄰圖像塊之間的空間關聯。整個深度網絡可以使用標準反向傳播算法，以最小算力進行端到端的訓練。CNN 特征提取器也可以從利用 CRF 考慮空間關聯中受益。與不考慮空間關聯的基線方法相比，NCRF 框架可獲取更高視覺質量的圖像塊預測概率圖。
項目地址：https://github.com/baidu-research/NCRF
DALI：NVIDIA快速圖像增強的簡便大法
Github得星： 420⭐️
NVIDIA DALI是一個GPU加速的數據增強和圖像加載庫，為優化深度學習框架數據pipeline而設計，DALI 提供加速不同數據管道的性能和靈活性，作為一個單獨的庫，可以輕松集成到不同的深度學習訓練和推理應用程序中。
DALI 的主要亮點包括：
● 從磁盤讀取到準備訓練/推斷的完整的數據流水線；
● 具有可配置圖形和自定義operator的自定義數據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現集成（MxNet、TensorFlow、PyTorch等）；
● 具有多種輸入格式的可移植訓練工作流 - JPEG，LMDB，RecordIO，TFRecord；
項目地址：https://github.com/NVIDIA/DALI
翰林AMC8視頻課重磅上線！
國際競賽真題資源免費領取
