聖誕禮物清單：機器學習開源專案及框架已打包好！

2018年馬上就要結束了，我們來回顧一下過去的這一年中，機器學習領域有哪些有趣的事情吧！

我們先來看看Mybridge AI 中排名靠前的頂級開源專案，再聊聊機器學習今年都有哪些發展，最後探尋下新的一年中會有哪些有值得我們期待的事情。

頂級的開源專案

BERT

BERT ，全稱為Bidirectional Encoder Representations from Transformers，是一種基於TensorFlow解決自然語言處理的新方法，且效能更好。我們可以使用BERT中的   預訓練模型 解決問題，該模型在效能上具有很大優勢，比如可以識別句子中的上下文。在 Github 中非常受歡迎，有8848個星，完整學術論文請訪問 這裡 。

https://github.com/google-research/bert

https://arxiv.org/abs/1810.04805

DeepCreamPy

DeepCreamPy是一個 深度學習工具 ，可以像Photoshop一樣重建影像中被刪除的區域。我們使用影像編輯工具（比如PS）將刪減的區域填充為綠色，神經網路可以對其進行復原。該專案在 Github 中有6365顆星。

https://github.com/deeppomf/DeepCreamPy

TRFL

TRFL 專案可用於編寫TensorFlow中的強化學習代理，具體的操作文件在 這裡 。

https://github.com/deepmind

https://github.com/deepmind/trfl/blob/master/docs/index.md

Horizon

Horizon 是一個基於 PyTorch 構建的強化學習平臺，並使用Caffe2為模型提供服務。Horizon的主要優勢在於，設計者在設計這一平臺的時候，考慮了生產用例。想要了解更多詳細內容，請檢視 FacebookResearch官方文件 。另外，如果你想使用Horizon，可檢視該 使用文件 。

https://github.com/facebookresearch/Horizon?

https://heartbeat.fritz.ai/introduction-to-pytorch-for-deep-learning-5b437cea90ac

https://github.com/facebookresearch/Horizon/blob/master/docs/usage.md

DeOldify

DeOldify 是一個用於著色和恢復舊影像的深度學習庫。開發者結合了幾種不同的方法，來實現這一目標，其中的幾種方法包括： 帶自注意力機制的生成對抗網路 （Self-Attention GenerativeAdversarial Networks）， Progressive Growing of GANs ，以及 TTUR （ TwoTime-Scale Update Rule）。

https://github.com/jantic/DeOldify

https://arxiv.org/abs/1805.08318

https://arxiv.org/abs/1710.10196

https://arxiv.org/abs/1706.08500

AdaNet

AdaNet 是一個基於TensorFlow的庫，它可以自動學習模型，且不需要很多的技術人員參與，該專案基於 AdaNet演算法 。訪問AdaNet的官方文件，請點選 這裡 。

https://github.com/tensorflow/adanet

http://proceedings.mlr.press/v70/cortes17a.html

https://adanet.readthedocs.io/

Graph Nets

Graph Nets 是用於構建Sonnet和TensorFlow的DeepMind庫。Graph 網路輸入一個圖形，輸出也是一個圖形。

https://github.com/deepmind/graph_nets

Maskrcnn-benchmark

Maskrcnn-benchmark專案 可以幫助我們在Pytorch中構建物件檢測和分割工具。這個庫的優勢在於速度快、記憶體效率高，可以進行多個GPU訓練和推斷，且為推斷提供CPU支援。

https://github.com/facebookresearch/maskrcnn-benchmark

PocketFlow

PocketFlow 專案是一個加速和壓縮深度學習模型的框架。它解決了大多數深度學習模型的計算費用問題。該專案最初由騰訊AI實驗室的研究人員開發，瞭解其實現及官方文件請點選 這裡 。

https://github.com/Tencent/PocketFlow

https://pocketflow.github.io/

MAMEToolkit

MAMEToolKit 是一個訓練街機遊戲強化學習演算法的庫，使用該工具可以跟蹤遊戲狀態，同時也可以接收遊戲幀資料。

https://github.com/M-J-Murray/MAMEToolkit

機器學習框架的主要發展

PyTorch 1.0

在今年10月份舉辦的PyTorch會議期間，Facebook釋出了PyTorch 1.0預覽版。PyTorch 1.0解決了以下問題：訓練耗時長、聯網問題、緩慢的可擴充套件性以及Python程式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，這將彌補生產和研究之間的差距。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建模型，這在開發高效能和低延遲的應用程式中非常有用。

Auto-Keras

你或許聽過自動化機器學習（automated machine learning），即自動化搜尋機器學習模型的最佳引數。除Auto-Keras之外，還有其他的自動化機器學習模型，比如Google的 AutoML 。 Auto-Keras 是基於 Keras 和 ENAS 編寫的，其中，ENAS是 神經網路結構搜尋 的最新版本。

https://cloud.google.com/automl/

https://autokeras.com/

https://keras.io/

https://arxiv.org/abs/1802.03268

https://en.wikipedia.org/wiki/Neural_architecture_search

TensorFlow Serving

使用 TensorFlow Serving 系統，我們能更加輕鬆的將TensorFlow模型部署到生產環境中。雖然TensorFlow Serving在2017年就已經發布，但是今年更加註重將模型應用到生產環境環節。

https://www.tensorflow.org/serving/

Machine Learning Javascript

現在已經有一些可以允許開發人員在瀏覽器上執行模型的Javascript框架，比如 TensorFlow.js 和 Keras.js 。其模型實現與使用的方法，與Keras或TensorFlow等常規框架非常相似。

https://js.tensorflow.org/

https://github.com/transcranial/keras-js

展望未來

2019年馬上就要到了，隨著Auto-Keras等自動化工具的發展，開發人員的工作有望變得更加輕鬆。除此以外，我們還擁有先進的研究以及優秀的社群，各類機器學習框架的效能還會更上一層樓。

阿里云云棲社群組織翻譯。文章原標題《2018 Year-in-Review: Machine Learning Open Source Projects & Frameworks》譯者：Mags，審校：袁虎。

來自 “ 阿里云云棲社群 ”， 原文作者：譯者：Mags，審校：袁虎；原文連結：《2018 Year-in-Review: Machine Learning Open Source Projects & Frameworks》，如有侵權，請聯絡管理員刪除。