近期 github 機器學習熱門專案top5

作者 | Walker

編輯 | 安可

出品 | 磐創AI技術團隊

【磐創AI導讀】：Github是全球最大的開原始碼社群，本文為大家總結了2108年11月最熱門的機器學習專案top5。

No1：Open AI’s Deep Reinforcement Learning Resource（）

強化學習（RL）是一種機器學習方法，是智慧體（agent）以“試錯”的方式進行學習，透過與環境進行互動獲得的獎賞指導行為，目標是使智慧體獲得最大的獎賞。深度強化學習是指強化學習與深度學習的結合。

這個開源的OpenAI的強化學習資源庫包含各種有用的深度強化學習資源，目的是使強化學習變得更容易學習，受到了廣泛的歡迎。包含的具體資源有：

• 強化學習概念、演算法種類和基本理論介紹

• 一篇關於如何成長為強化學習研究角色員的文章

• 按主題分類的強化學習經典論文的列表

• 對關鍵演算法實現的程式碼回放

• 一些熱身的上手專案

一切從開始吧！

No2：NVIDIA’s WaveGlow（）

WaveGlow是一個基於流的語音合成網路，能夠從梅爾聲譜(mel-spectrograms)生成高質量的語音。WaveGlow最初是由瑞安·普林格、拉斐爾·瓦爾和布萊恩·卡坦扎羅在一篇論文中提出的，它結合了Glow和WaveNet的見解，目的是為了提供快速、高效和高質量的音訊合成，而不需要自迴歸。WaveGlow只使用單個網路實現，只使用單個代價函式進行訓練：最大化訓練資料的可能性，這使得訓練過程簡單而穩定。

基於PyTorch的實現是在NVIDIA V100 GPU的基礎上以，以2750kHz的速率產生的音訊樣本。據平均評分顯示，它提供的音訊質量與最好的公開可用的WaveNet一樣好。如果您想要深入研究，可以訪問音訊樣本文章以及檢視該論文：

No3：BERT as a Service（）

上篇文章我們討論了BERT的PyTorch實現：（）。我們知道BERT是由Google開發的用於訓練語言表示的NLP模型，它運用了網路上大量的公開純文字資料，並以無監管的方式進行訓練。此外，BERT代表了來自變壓器的雙向編碼器表示，是一種訓練語言表示的方法。BERT模型的預訓練對於每種語言來說都是一次性的過程。

句子編碼（Sentence Encoding）是許多自然語言處理應用（如情感分析、文字分類）中所必須的任務，目的是將可變長度的句子表示為固定長度的向量。而本github將圍繞句子編碼器“bert-as-service”展開討論，並透過ZeroMQ將其作為服務託管，允許您僅用兩行程式碼將句子對映到固定長度的表示中。

No4：Python Implementation of Google’s ‘Quick Draw’ Game

（）

QuickDraw是一款最近非常流行的線上遊戲。它是由谷歌開發，其中神經網路試圖猜測你在畫什麼。神經網路會從每幅圖畫中學習，進而提高了正確猜測塗鴉的能力。此外，開發人員已經根據使用者先前繪製的圖紙數量建立了一個巨大的資料集。這個開源資料集的地址如下：。

現在，我們可以用這個github庫在Python中構建自己的QuickDraw遊戲。專案中會教我們如何一步一步去實現（），基於此程式碼，我們還可以執行一個應用程式，可以在計算機的攝像頭前繪製，也可以在畫布上繪製。

No5：Visualizing and Understanding GANs（）

GAN Dissection是由麻省理工學院的電腦科學和人工智慧實驗室的研究人員開創的，是一種獨特的視覺化和理解生成對抗網路（GAN）神經元的方法。不僅限於此，研究人員還建立了GANPaint來展示GAN Dissection是如何工作的，以瞭解內部單元如何工作，這將有助於我們透過檢查和操縱特定GAN模型的內部神經元來探索其學習內容。

如果對GAN Dissection感興趣的小夥伴，趕緊點選下面的連結，進入GitHub庫直接進入程式碼練習吧！