如果你還沒有在機器學習中接受開放原始碼工具的美，那麼你就錯過了！開源社群非常龐大，對新工具和擁抱使機器學習開放化的概念有著令人難以置信的支援態度。你必須已經瞭解流行的開源工具，例如R，Python，JupyterNotebook等。但是，除了這些受歡迎的工具之外，還有一個廣闊的世界–存在著雷達式機器學習工具的地方。這些功能不如其他功能出色，但可以節省許多機器學習任務。
在本文中，我們推薦了14種用於機器學習的開源工具。我強烈建議你花一些時間來學習我提到的每個類別。
1、深度通用機率程式設計
Uber AI實驗室構建了這個深度機率程式設計庫，以幫助簡化其運輸服務的預測和最佳化收益。 該庫將對處理機率建模的任何人都感興趣。機會從匹配的騎手到駕駛員，到建議最佳路線，尋找合理的泳池組合，甚至創造出下一代智慧汽車。 為了解決這些挑戰，我們將最先進的人工智慧（AI）技術與資料科學家，工程師和其他使用者的豐富專業知識相結合。 我們正在探索一種以工具為先的方法，這將使我們和其他人能夠開發下一代AI解決方案。
2、ParlAI
作為Facebook研究專案的一部分，ParlAI是一個框架，用於在各種公開可用的對話方塊資料集上訓練和評估AI模型。 ParlAI將使研究人員可以訪問許多流行的資料集，同時擁有一個用於共享和測試對話方塊模型的統一框架。
3、ELF與AlphaGoZero
ELF是AlphaGoZero / AlphaZero重新實現的遊戲研究平臺。 ELF提供了用於遊戲研究的端到端解決方案。 它包括微型實時戰略遊戲環境，併發模擬，數千臺機器上的分散式培訓，直觀的API，基於Web的視覺化以及由PyTorch支援的強化學習框架。
4、Detectron
Detectron是Facebook AI Research的軟體系統，它實現了包括Mask R-CNN在內的最新物件檢測演算法。 它是用Python編寫的，並由Caffe2深度學習框架提供支援。
5、Fast Style Transfer
藉助TensorFlow CNN實施，這也許是影像樣式轉換的最佳示例之一，並且顧名思義，它的完成速度非常快。 該實現是基於Gatys的藝術風格神經演算法，Johnson的實時風格傳遞和超解析度的感性損失以及Ulyanov的例項規範化的結合。
6、人臉識別
該工具提供了用於面部識別的簡單API。它可以找到面部特徵，並可以猜測給定照片中的人物。使用dlib先進的人臉識別技術和深度學習技術構建。該模型在Wild基準中的Labeled Faces上的準確性為99.38％。這也提供了一個簡單的face_recognition命令列工具，使您可以從命令列對影像資料夾進行人臉識別！
7、深度照片風格轉換
另一個夢幻般的風格轉移專案。它提供了簡單的API來播放合併樣式和源影像。影像樣式轉換非常令人印象深刻。
8、Fast Text
fastText是一個用於高效學習單詞表示和句子分類的庫。文字分類的目的是將文件（例如電子郵件，帖子，文字訊息，產品評論等）分配給一個或多個類別。
9、AirSim空中模擬
AirSim是一款基於虛幻引擎的無人機，汽車等模擬器。它是開放原始碼的跨平臺，並且支援流行的飛行控制器（例如PX4）進行硬體在環模擬，以進行物理和視覺逼真的模擬。這是一個虛幻的外掛，可以簡單地放入所需的任何虛幻環境中。
10、Image restoration
機器學習的作用超出了我們的想象。藉助Deep Image Prior，它可以透過神經網路來固定影像，而無需學習。該工具可以恢復帶有劃痕，斑點和/或不需要的文字標記的損壞影像。
11、Open Pose
Open Pose代表了第一個實時多人系統，可以在單個影像上聯合檢測人體，手，面部和腳的關鍵點（總共135個關鍵點）。它可以檢測腳，身體，臉和手。
12、pirateAT
PirateAI在模擬環境（島嶼）中訓練自治代理（海盜）。 此倉庫執行一條訓練流水線，該流水線在遊戲（找到寶藏）和模型訓練課程（Keras + hyperopt）之間交替。
13、Emoji Intelligence
與清單中的許多專案相比，這相當簡單，但這是學習神經網路如何工作的一個很好的起點。 該實現是在沒有任何庫的純Swift中實現的，並且很容易遵循。
14、基於示例的深度著色
基於示例的深度著色是基於示例的區域性著色的第一種深度學習方法。 給定參考彩色影像，我們的卷積神經網路直接將灰度影像對映到輸出彩色影像。 這是基於深度樣本的著色的論文的實現。
化繁為簡，簡單3步，只需5分鐘。
在人工智慧愈發熱門的大背景下，學習、體驗新技術的需求也日漸增多。學以致用才能真正掌握一門技術。