關於人工智慧的專案，相信大家都看過或者用過不少了，但它們的大多數看上去都十分“高大上”，讓人感覺要掌握他們猶如習屠龍之術一樣。事實上，有很多關於人工智慧的專案還是十分實用的，而且用途還十分有趣，下面就簡單為大家盤點 12個功能獨特的開源人工智慧專案。
一、多樣聚類的Scikit-learn
推薦理由： 基於Scipy為機器學習建造的的一個Python模組，他的特色就是多樣化的分類，迴歸和聚類的演算法包括支援向量機，邏輯迴歸，樸素貝葉斯分類器，隨機森林，Gradient Boosting，聚類演算法和DBSCAN。而且也設計出了Python numerical和scientific libraries Numpy and Scipy
專案地址：
https://link.zhihu.com/?target=http%3A//www.github.com/scikit-learn/scikit-learn
二、一個高效率的Ramp
推薦理由：Ramp是一個在Python語言下制定機器學習中加快原型設計的解決方案的庫程式。他是一個輕型的pandas-based機器學習中可插入的框架，它現存的Python語言下的機器學習和統計工具（比如scikit-learn,rpy2等）Ramp提供了一個簡單的宣告性語法探索功能從而能夠快速有效地實施演算法和轉換。
專案地址
http://www.github.com/kvh/ramp
三、 STYLE2PAINTS：強大的為線稿上色的 AI
推薦理由：新一代的強大線稿上色 AI，可根據使用者上傳的自定義色彩給線稿進行上色。專案提供了線上使用網站，十分方便使用。
專案地址
https://www.oschina.net/p/style2paints
四、 SerpentAI：基於 Python 的教 AI 打遊戲的學習框架
推薦理由：SerpentAI 旨在為機器學習和 AI 研究提供一個有價值的工具。但同時，對於愛好者來說，它也是非常有趣的。
Serpent.AI 中包含大量支援模組，在以遊戲為開發環境時經常遇到的場景提供解決方案，同時也提供加速開發的 CLI 工具。支援 Linux、Windows 和 MacOS 。
SerpentAI 是一個 Game Agent 框架（ps：在人機對戰中，為了區分玩家，通常稱機器玩家為 agent ），簡單而又強大。它能把任何一個遊戲變成用 Python 編寫的沙盒環境，供開發者在其中創造遊戲 Game Agent 做實驗，使用的都是開發者非常熟悉的 Python 程式碼。
專案地址
https://www.oschina.net/p/serpentai
五、 Synaptic.js：用於瀏覽器的神經網路庫
推薦理由：Synaptic.js 是一個用於 node.js 和瀏覽器的 JavaScript 神經網路庫，可以構建和訓練基本上任何型別的一階甚至二階神經網路。
該專案內建了 4 種經典的神經網路演算法：多層感知器（multilayer perceptrons）、長短期記憶網路（multilayer long-short term memory networks）、液體狀態機（Liquid State Machine）、Hopfield神經網路。使用 Synaptic.js ，你可以輕鬆測試和比較不同體系結構的效能。
專案地址
https://www.oschina.net/p/serpentai
六、 Snake-AI：貪吃蛇遊戲的人工智慧
推薦理由：一個用 C/C++ 語言編寫的貪吃蛇遊戲的人工智慧。使用了最短路徑、最長路徑、人工智慧演算法。
AI 的目的是讓蛇儘可能的吃更多的食物，直到吃滿整個地圖。
Demo
專案地址
https://www.oschina.net/p/snake-ai
七、 Uncaptcha：破解 reCAPTCHA 系統的 AI 演算法
推薦理由：unCAPTCHA 演算法以 85% 的成功率擊敗了 Google reCAPTCHA 系統。它依靠音訊驗證碼攻擊 - 使用瀏覽器自動化軟體來解析必要的元素並識別語音號碼，並以程式設計方式傳遞這些數字，最終成功欺騙目標網站。
專案地址
https://www.oschina.net/p/uncaptcha
八、 Sockeye：基於 Apache MXNet 的神經機器翻譯框架
推薦理由：Sockeye 是一個基於 Apache MXNet 的快速而可擴充套件的深度學習庫。
Sockeye 程式碼庫具有來自 MXNet 的獨特優勢。例如，通過符號式和命令式 MXNet API，Sockeye 結合了陳述式和指令式程式設計風格；它同樣可以在多塊 GPU 上並行訓練模型。
Sockeye 實現了 MXNet 上當前最佳的序列到序列模型。它同樣為所有序列到序列模型的超引數提供恰當的預設值。對於優化，無需擔心停止標準、指標跟蹤或者權重初始化。可以簡單地執行已提供的訓練命令列介面（CLI），也可以輕易改變基礎模型架構。
專案地址
https://www.oschina.net/p/sockeye
八、 CycleGAN：生成對抗網路影象處理工具
推薦理由：這個工具功能十分強大，不僅可將繪畫作品“還原”成照片（可理解為是一個 “反濾鏡”），還能將夏天轉換成冬天，或將普通的馬轉化成斑馬。
與其它人工智慧繪畫不同，CycleGAN 的研究團隊試圖建立一個可雙向轉化不丟失資訊的雙向演算法。在 CycleGAN 裡照片的細節被要求完全保留，研究人員希望能夠將一張圖片輸入 CycleGAN 後進行多次反覆轉化（照片→繪畫→照片→繪畫→照片），最終可以獲得與原始照片相同或相近的圖片。
專案地址
https://www.oschina.net/p/cyclegan
十、 DeepLearn.js：可實現硬體加速的機器學習 JavaScript 庫
DeepLearn.js 是谷歌推出的一個可用於機器智慧並加速 WebGL 的開源 JavaScript 庫，完全在瀏覽器中執行，不需要安裝，不需要後端處理。。
DeepLearn.js 提供高效的機器學習構建模組，使我們能夠在瀏覽器中訓練神經網路或在推斷模式中執行預訓練模型。它提供構建可微資料流圖的 API，以及一系列可直接使用的數學函式。
雖然瀏覽器上的機器學習庫已經存在多年（例如 Andrej Karpathy 的 convnetjs），但是它們受到 JavaScript 速度的限制，或者侷限於推理而不能用於訓練（例如 TensorFire）。相比之下，deeplearn.js 通過利用 WebGL 在GPU上執行計算，以及進行完全反向傳播（full backpropagation）的能力，實現了顯著的加速。
專案地址
https://www.oschina.net/p/deeplearn-js
十一、 TensorFire：基於 WebGL 的瀏覽器端神經網路框架
推薦理由：TensorFire 是基於 WebGL 的，執行在瀏覽器中的神經網路框架。使用 TensorFire 編寫的應用能夠在實現前沿深度學習演算法的同時，不需要任何的安裝或者配置就直接執行在現代瀏覽器中。
與之前某些瀏覽器內的神經網路框架相比，TensorFire 有著近百倍的速度提升，甚至於能夠與那些執行在本地 CPU 上的程式碼效能相媲美。
開發者也可以使用 TensorFire 提供的底層介面來進行其他的高效能運算，譬如 PageRank、元胞自動機模擬、圖片轉化與過濾等等。
專案地址
https://www.oschina.net/p/tensorfire
十二、PHP-ML：PHP 機器學習庫
推薦理由：我們都知道 Python 或者是 C++ 提供了更多機器學習的庫，但他們大多都比較複雜，配置起來讓很多新手感到頭疼。PHP-ML 這個機器學習庫雖然沒有特別高大上的演算法，但其具有最基本的機器學習、分類等演算法，小專案或者小公司做一些簡單的資料分析、預測等等足以夠用。
PHP-ML 是使用 PHP 編寫的機器學習庫。同時包含演算法，交叉驗證，神經網路，預處理，特徵提取等。
專案地址
https://www.oschina.net/p/php-ml
閱讀更多
相信自己，沒有做不到的，只有想不到的，如果你覺得此文對您有所幫助， 歡迎關注。日 更 精 彩 微 信 號：codeGoogler 關於人工智慧的專案，相信大家都看過或者用過不少了，但它們的大多數看上去都十分“高大上”，讓人感覺要掌握他們猶如習屠龍之術一樣。事實上，有很多關於人工智慧的專案還是十分實用的，而且用途還十分有趣，下面就簡單為大家盤點 12個功能獨特的開源人工智慧專案。
一、多樣聚類的Scikit-learn
推薦理由： 基於Scipy為機器學習建造的的一個Python模組，他的特色就是多樣化的分類，迴歸和聚類的演算法包括支援向量機，邏輯迴歸，樸素貝葉斯分類器，隨機森林，Gradient Boosting，聚類演算法和DBSCAN。而且也設計出了Python numerical和scientific libraries Numpy and Scipy
專案地址：
https://link.zhihu.com/?target=http%3A//www.github.com/scikit-learn/scikit-learn
二、一個高效率的Ramp
推薦理由：Ramp是一個在Python語言下制定機器學習中加快原型設計的解決方案的庫程式。他是一個輕型的pandas-based機器學習中可插入的框架，它現存的Python語言下的機器學習和統計工具（比如scikit-learn,rpy2等）Ramp提供了一個簡單的宣告性語法探索功能從而能夠快速有效地實施演算法和轉換。
專案地址
http://www.github.com/kvh/ramp
三、 STYLE2PAINTS：強大的為線稿上色的 AI
推薦理由：新一代的強大線稿上色 AI，可根據使用者上傳的自定義色彩給線稿進行上色。專案提供了線上使用網站，十分方便使用。
[圖片上傳失敗...(image-a09db7-1513783284687)]
專案地址
https://www.oschina.net/p/style2paints
四、 SerpentAI：基於 Python 的教 AI 打遊戲的學習框架
推薦理由：SerpentAI 旨在為機器學習和 AI 研究提供一個有價值的工具。但同時，對於愛好者來說，它也是非常有趣的。
[圖片上傳失敗...(image-d786a5-1513783284687)]
Serpent.AI 中包含大量支援模組，在以遊戲為開發環境時經常遇到的場景提供解決方案，同時也提供加速開發的 CLI 工具。支援 Linux、Windows 和 MacOS 。
SerpentAI 是一個 Game Agent 框架（ps：在人機對戰中，為了區分玩家，通常稱機器玩家為 agent ），簡單而又強大。它能把任何一個遊戲變成用 Python 編寫的沙盒環境，供開發者在其中創造遊戲 Game Agent 做實驗，使用的都是開發者非常熟悉的 Python 程式碼。
專案地址
https://www.oschina.net/p/serpentai
五、 Synaptic.js：用於瀏覽器的神經網路庫
推薦理由：Synaptic.js 是一個用於 node.js 和瀏覽器的 JavaScript 神經網路庫，可以構建和訓練基本上任何型別的一階甚至二階神經網路。
該專案內建了 4 種經典的神經網路演算法：多層感知器（multilayer perceptrons）、長短期記憶網路（multilayer long-short term memory networks）、液體狀態機（Liquid State Machine）、Hopfield神經網路。使用 Synaptic.js ，你可以輕鬆測試和比較不同體系結構的效能。
專案地址
https://www.oschina.net/p/serpentai
六、 Snake-AI：貪吃蛇遊戲的人工智慧
推薦理由：一個用 C/C++ 語言編寫的貪吃蛇遊戲的人工智慧。使用了最短路徑、最長路徑、人工智慧演算法。
AI 的目的是讓蛇儘可能的吃更多的食物，直到吃滿整個地圖。
Demo
[站外圖片上傳中...(image-3b3c76-1513783284687)]
專案地址
https://www.oschina.net/p/snake-ai
七、 Uncaptcha：破解 reCAPTCHA 系統的 AI 演算法
推薦理由：unCAPTCHA 演算法以 85% 的成功率擊敗了 Google reCAPTCHA 系統。它依靠音訊驗證碼攻擊 - 使用瀏覽器自動化軟體來解析必要的元素並識別語音號碼，並以程式設計方式傳遞這些數字，最終成功欺騙目標網站。
[圖片上傳失敗...(image-c9e0c3-1513783284687)]
專案地址
https://www.oschina.net/p/uncaptcha
八、 Sockeye：基於 Apache MXNet 的神經機器翻譯框架
推薦理由：Sockeye 是一個基於 Apache MXNet 的快速而可擴充套件的深度學習庫。
Sockeye 程式碼庫具有來自 MXNet 的獨特優勢。例如，通過符號式和命令式 MXNet API，Sockeye 結合了陳述式和指令式程式設計風格；它同樣可以在多塊 GPU 上並行訓練模型。
Sockeye 實現了 MXNet 上當前最佳的序列到序列模型。它同樣為所有序列到序列模型的超引數提供恰當的預設值。對於優化，無需擔心停止標準、指標跟蹤或者權重初始化。可以簡單地執行已提供的訓練命令列介面（CLI），也可以輕易改變基礎模型架構。
專案地址
https://www.oschina.net/p/sockeye
八、 CycleGAN：生成對抗網路影象處理工具
推薦理由：這個工具功能十分強大，不僅可將繪畫作品“還原”成照片（可理解為是一個 “反濾鏡”），還能將夏天轉換成冬天，或將普通的馬轉化成斑馬。
[圖片上傳失敗...(image-83e636-1513783284687)]
與其它人工智慧繪畫不同，CycleGAN 的研究團隊試圖建立一個可雙向轉化不丟失資訊的雙向演算法。在 CycleGAN 裡照片的細節被要求完全保留，研究人員希望能夠將一張圖片輸入 CycleGAN 後進行多次反覆轉化（照片→繪畫→照片→繪畫→照片），最終可以獲得與原始照片相同或相近的圖片。
[圖片上傳失敗...(image-46159d-1513783284687)]
專案地址
https://www.oschina.net/p/cyclegan
十、 DeepLearn.js：可實現硬體加速的機器學習 JavaScript 庫
DeepLearn.js 是谷歌推出的一個可用於機器智慧並加速 WebGL 的開源 JavaScript 庫，完全在瀏覽器中執行，不需要安裝，不需要後端處理。。
[圖片上傳失敗...(image-89d857-1513783284687)]
DeepLearn.js 提供高效的機器學習構建模組，使我們能夠在瀏覽器中訓練神經網路或在推斷模式中執行預訓練模型。它提供構建可微資料流圖的 API，以及一系列可直接使用的數學函式。
雖然瀏覽器上的機器學習庫已經存在多年（例如 Andrej Karpathy 的 convnetjs），但是它們受到 JavaScript 速度的限制，或者侷限於推理而不能用於訓練（例如 TensorFire）。相比之下，deeplearn.js 通過利用 WebGL 在GPU上執行計算，以及進行完全反向傳播（full backpropagation）的能力，實現了顯著的加速。
專案地址
https://www.oschina.net/p/deeplearn-js
十一、 TensorFire：基於 WebGL 的瀏覽器端神經網路框架
推薦理由：TensorFire 是基於 WebGL 的，執行在瀏覽器中的神經網路框架。使用 TensorFire 編寫的應用能夠在實現前沿深度學習演算法的同時，不需要任何的安裝或者配置就直接執行在現代瀏覽器中。
[站外圖片上傳中...(image-2951b5-1513783284687)]
與之前某些瀏覽器內的神經網路框架相比，TensorFire 有著近百倍的速度提升，甚至於能夠與那些執行在本地 CPU 上的程式碼效能相媲美。
開發者也可以使用 TensorFire 提供的底層介面來進行其他的高效能運算，譬如 PageRank、元胞自動機模擬、圖片轉化與過濾等等。
專案地址
https://www.oschina.net/p/tensorfire
十二、PHP-ML：PHP 機器學習庫
推薦理由：我們都知道 Python 或者是 C++ 提供了更多機器學習的庫，但他們大多都比較複雜，配置起來讓很多新手感到頭疼。PHP-ML 這個機器學習庫雖然沒有特別高大上的演算法，但其具有最基本的機器學習、分類等演算法，小專案或者小公司做一些簡單的資料分析、預測等等足以夠用。
[圖片上傳失敗...(image-9a5c74-1513783284687)]
PHP-ML 是使用 PHP 編寫的機器學習庫。同時包含演算法，交叉驗證，神經網路，預處理，特徵提取等。
專案地址
https://www.oschina.net/p/php-ml
閱讀更多
關於人工智慧的專案，相信大家都看過或者用過不少了，但它們的大多數看上去都十分“高大上”，讓人感覺要掌握他們猶如習屠龍之術一樣。事實上，有很多關於人工智慧的專案還是十分實用的，而且用途還十分有趣，下面就簡單為大家盤點 12個功能獨特的開源人工智慧專案。
一、多樣聚類的Scikit-learn
推薦理由： 基於Scipy為機器學習建造的的一個Python模組，他的特色就是多樣化的分類，迴歸和聚類的演算法包括支援向量機，邏輯迴歸，樸素貝葉斯分類器，隨機森林，Gradient Boosting，聚類演算法和DBSCAN。而且也設計出了Python numerical和scientific libraries Numpy and Scipy
專案地址：
https://link.zhihu.com/?target=http%3A//www.github.com/scikit-learn/scikit-learn
二、一個高效率的Ramp
推薦理由：Ramp是一個在Python語言下制定機器學習中加快原型設計的解決方案的庫程式。他是一個輕型的pandas-based機器學習中可插入的框架，它現存的Python語言下的機器學習和統計工具（比如scikit-learn,rpy2等）Ramp提供了一個簡單的宣告性語法探索功能從而能夠快速有效地實施演算法和轉換。
專案地址
http://www.github.com/kvh/ramp
三、 STYLE2PAINTS：強大的為線稿上色的 AI
推薦理由：新一代的強大線稿上色 AI，可根據使用者上傳的自定義色彩給線稿進行上色。專案提供了線上使用網站，十分方便使用。
[圖片上傳失敗...(image-a09db7-1513783284687)]
專案地址
https://www.oschina.net/p/style2paints
四、 SerpentAI：基於 Python 的教 AI 打遊戲的學習框架
推薦理由：SerpentAI 旨在為機器學習和 AI 研究提供一個有價值的工具。但同時，對於愛好者來說，它也是非常有趣的。
[圖片上傳失敗...(image-d786a5-1513783284687)]
Serpent.AI 中包含大量支援模組，在以遊戲為開發環境時經常遇到的場景提供解決方案，同時也提供加速開發的 CLI 工具。支援 Linux、Windows 和 MacOS 。
SerpentAI 是一個 Game Agent 框架（ps：在人機對戰中，為了區分玩家，通常稱機器玩家為 agent ），簡單而又強大。它能把任何一個遊戲變成用 Python 編寫的沙盒環境，供開發者在其中創造遊戲 Game Agent 做實驗，使用的都是開發者非常熟悉的 Python 程式碼。
專案地址
https://www.oschina.net/p/serpentai
五、 Synaptic.js：用於瀏覽器的神經網路庫
推薦理由：Synaptic.js 是一個用於 node.js 和瀏覽器的 JavaScript 神經網路庫，可以構建和訓練基本上任何型別的一階甚至二階神經網路。
該專案內建了 4 種經典的神經網路演算法：多層感知器（multilayer perceptrons）、長短期記憶網路（multilayer long-short term memory networks）、液體狀態機（Liquid State Machine）、Hopfield神經網路。使用 Synaptic.js ，你可以輕鬆測試和比較不同體系結構的效能。
專案地址
https://www.oschina.net/p/serpentai
六、 Snake-AI：貪吃蛇遊戲的人工智慧
推薦理由：一個用 C/C++ 語言編寫的貪吃蛇遊戲的人工智慧。使用了最短路徑、最長路徑、人工智慧演算法。
AI 的目的是讓蛇儘可能的吃更多的食物，直到吃滿整個地圖。
Demo
[圖片上傳失敗...(image-3b3c76-1513783284687)]
專案地址
https://www.oschina.net/p/snake-ai
七、 Uncaptcha：破解 reCAPTCHA 系統的 AI 演算法
推薦理由：unCAPTCHA 演算法以 85% 的成功率擊敗了 Google reCAPTCHA 系統。它依靠音訊驗證碼攻擊 - 使用瀏覽器自動化軟體來解析必要的元素並識別語音號碼，並以程式設計方式傳遞這些數字，最終成功欺騙目標網站。
[圖片上傳失敗...(image-c9e0c3-1513783284687)]
專案地址
https://www.oschina.net/p/uncaptcha
八、 Sockeye：基於 Apache MXNet 的神經機器翻譯框架
推薦理由：Sockeye 是一個基於 Apache MXNet 的快速而可擴充套件的深度學習庫。
Sockeye 程式碼庫具有來自 MXNet 的獨特優勢。例如，通過符號式和命令式 MXNet API，Sockeye 結合了陳述式和指令式程式設計風格；它同樣可以在多塊 GPU 上並行訓練模型。
Sockeye 實現了 MXNet 上當前最佳的序列到序列模型。它同樣為所有序列到序列模型的超引數提供恰當的預設值。對於優化，無需擔心停止標準、指標跟蹤或者權重初始化。可以簡單地執行已提供的訓練命令列介面（CLI），也可以輕易改變基礎模型架構。
專案地址
https://www.oschina.net/p/sockeye
八、 CycleGAN：生成對抗網路影象處理工具
推薦理由：這個工具功能十分強大，不僅可將繪畫作品“還原”成照片（可理解為是一個 “反濾鏡”），還能將夏天轉換成冬天，或將普通的馬轉化成斑馬。
[站外圖片上傳中...(image-83e636-1513783284687)]
與其它人工智慧繪畫不同，CycleGAN 的研究團隊試圖建立一個可雙向轉化不丟失資訊的雙向演算法。在 CycleGAN 裡照片的細節被要求完全保留，研究人員希望能夠將一張圖片輸入 CycleGAN 後進行多次反覆轉化（照片→繪畫→照片→繪畫→照片），最終可以獲得與原始照片相同或相近的圖片。
[圖片上傳失敗...(image-46159d-1513783284687)]
專案地址
https://www.oschina.net/p/cyclegan
十、 DeepLearn.js：可實現硬體加速的機器學習 JavaScript 庫
DeepLearn.js 是谷歌推出的一個可用於機器智慧並加速 WebGL 的開源 JavaScript 庫，完全在瀏覽器中執行，不需要安裝，不需要後端處理。。
[圖片上傳失敗...(image-89d857-1513783284687)]
DeepLearn.js 提供高效的機器學習構建模組，使我們能夠在瀏覽器中訓練神經網路或在推斷模式中執行預訓練模型。它提供構建可微資料流圖的 API，以及一系列可直接使用的數學函式。
雖然瀏覽器上的機器學習庫已經存在多年（例如 Andrej Karpathy 的 convnetjs），但是它們受到 JavaScript 速度的限制，或者侷限於推理而不能用於訓練（例如 TensorFire）。相比之下，deeplearn.js 通過利用 WebGL 在GPU上執行計算，以及進行完全反向傳播（full backpropagation）的能力，實現了顯著的加速。
專案地址關於人工智慧的專案，相信大家都看過或者用過不少了，但它們的大多數看上去都十分“高大上”，讓人感覺要掌握他們猶如習屠龍之術一樣。事實上，有很多關於人工智慧的專案還是十分實用的，而且用途還十分有趣，下面就簡單為大家盤點 12個功能獨特的開源人工智慧專案。
一、多樣聚類的Scikit-learn
推薦理由： 基於Scipy為機器學習建造的的一個Python模組，他的特色就是多樣化的分類，迴歸和聚類的演算法包括支援向量機，邏輯迴歸，樸素貝葉斯分類器，隨機森林，Gradient Boosting，聚類演算法和DBSCAN。而且也設計出了Python numerical和scientific libraries Numpy and Scipy
專案地址：
https://link.zhihu.com/?target=http%3A//www.github.com/scikit-learn/scikit-learn
二、一個高效率的Ramp
推薦理由：Ramp是一個在Python語言下制定機器學習中加快原型設計的解決方案的庫程式。他是一個輕型的pandas-based機器學習中可插入的框架，它現存的Python語言下的機器學習和統計工具（比如scikit-learn,rpy2等）Ramp提供了一個簡單的宣告性語法探索功能從而能夠快速有效地實施演算法和轉換。
專案地址
http://www.github.com/kvh/ramp
三、 STYLE2PAINTS：強大的為線稿上色的 AI
推薦理由：新一代的強大線稿上色 AI，可根據使用者上傳的自定義色彩給線稿進行上色。專案提供了線上使用網站，十分方便使用。
[圖片上傳失敗...(image-cf04d1-1513783312474)]
專案地址
https://www.oschina.net/p/style2paints
四、 SerpentAI：基於 Python 的教 AI 打遊戲的學習框架
推薦理由：SerpentAI 旨在為機器學習和 AI 研究提供一個有價值的工具。但同時，對於愛好者來說，它也是非常有趣的。
[圖片上傳失敗...(image-1b6d7c-1513783312474)]
Serpent.AI 中包含大量支援模組，在以遊戲為開發環境時經常遇到的場景提供解決方案，同時也提供加速開發的 CLI 工具。支援 Linux、Windows 和 MacOS 。
SerpentAI 是一個 Game Agent 框架（ps：在人機對戰中，為了區分玩家，通常稱機器玩家為 agent ），簡單而又強大。它能把任何一個遊戲變成用 Python 編寫的沙盒環境，供開發者在其中創造遊戲 Game Agent 做實驗，使用的都是開發者非常熟悉的 Python 程式碼。
專案地址
https://www.oschina.net/p/serpentai
五、 Synaptic.js：用於瀏覽器的神經網路庫
推薦理由：Synaptic.js 是一個用於 node.js 和瀏覽器的 JavaScript 神經網路庫，可以構建和訓練基本上任何型別的一階甚至二階神經網路。
該專案內建了 4 種經典的神經網路演算法：多層感知器（multilayer perceptrons）、長短期記憶網路（multilayer long-short term memory networks）、液體狀態機（Liquid State Machine）、Hopfield神經網路。使用 Synaptic.js ，你可以輕鬆測試和比較不同體系結構的效能。
專案地址
https://www.oschina.net/p/serpentai
六、 Snake-AI：貪吃蛇遊戲的人工智慧
推薦理由：一個用 C/C++ 語言編寫的貪吃蛇遊戲的人工智慧。使用了最短路徑、最長路徑、人工智慧演算法。
AI 的目的是讓蛇儘可能的吃更多的食物，直到吃滿整個地圖。
Demo
[圖片上傳失敗...(image-dfc3c6-1513783312474)]
專案地址
https://www.oschina.net/p/snake-ai
七、 Uncaptcha：破解 reCAPTCHA 系統的 AI 演算法
推薦理由：unCAPTCHA 演算法以 85% 的成功率擊敗了 Google reCAPTCHA 系統。它依靠音訊驗證碼攻擊 - 使用瀏覽器自動化軟體來解析必要的元素並識別語音號碼，並以程式設計方式傳遞這些數字，最終成功欺騙目標網站。
[圖片上傳失敗...(image-24afb-1513783312474)]
專案地址
https://www.oschina.net/p/uncaptcha
八、 Sockeye：基於 Apache MXNet 的神經機器翻譯框架
推薦理由：Sockeye 是一個基於 Apache MXNet 的快速而可擴充套件的深度學習庫。
Sockeye 程式碼庫具有來自 MXNet 的獨特優勢。例如，通過符號式和命令式 MXNet API，Sockeye 結合了陳述式和指令式程式設計風格；它同樣可以在多塊 GPU 上並行訓練模型。
Sockeye 實現了 MXNet 上當前最佳的序列到序列模型。它同樣為所有序列到序列模型的超引數提供恰當的預設值。對於優化，無需擔心停止標準、指標跟蹤或者權重初始化。可以簡單地執行已提供的訓練命令列介面（CLI），也可以輕易改變基礎模型架構。
專案地址
https://www.oschina.net/p/sockeye
八、 CycleGAN：生成對抗網路影象處理工具
推薦理由：這個工具功能十分強大，不僅可將繪畫作品“還原”成照片（可理解為是一個 “反濾鏡”），還能將夏天轉換成冬天，或將普通的馬轉化成斑馬。
[圖片上傳失敗...(image-b795c3-1513783312474)]
與其它人工智慧繪畫不同，CycleGAN 的研究團隊試圖建立一個可雙向轉化不丟失資訊的雙向演算法。在 CycleGAN 裡照片的細節被要求完全保留，研究人員希望能夠將一張圖片輸入 CycleGAN 後進行多次反覆轉化（照片→繪畫→照片→繪畫→照片），最終可以獲得與原始照片相同或相近的圖片。
[圖片上傳失敗...(image-bd1c1c-1513783312474)]
專案地址
https://www.oschina.net/p/cyclegan
十、 DeepLearn.js：可實現硬體加速的機器學習 JavaScript 庫
DeepLearn.js 是谷歌推出的一個可用於機器智慧並加速 WebGL 的開源 JavaScript 庫，完全在瀏覽器中執行，不需要安裝，不需要後端處理。。
[圖片上傳失敗...(image-d198e0-1513783312474)]
DeepLearn.js 提供高效的機器學習構建模組，使我們能夠在瀏覽器中訓練神經網路或在推斷模式中執行預訓練模型。它提供構建可微資料流圖的 API，以及一系列可直接使用的數學函式。
雖然瀏覽器上的機器學習庫已經存在多年（例如 Andrej Karpathy 的 convnetjs），但是它們受到 JavaScript 速度的限制，或者侷限於推理而不能用於訓練（例如 TensorFire）。相比之下，deeplearn.js 通過利用 WebGL 在GPU上執行計算，以及進行完全反向傳播（full backpropagation）的能力，實現了顯著的加速。
專案地址
https://www.oschina.net/p/deeplearn-js
十一、 TensorFire：基於 WebGL 的瀏覽器端神經網路框架
推薦理由：TensorFire 是基於 WebGL 的，執行在瀏覽器中的神經網路框架。使用 TensorFire 編寫的應用能夠在實現前沿深度學習演算法的同時，不需要任何的安裝或者配置就直接執行在現代瀏覽器中。
[圖片上傳失敗...(image-7918d5-1513783312474)]
與之前某些瀏覽器內的神經網路框架相比，TensorFire 有著近百倍的速度提升，甚至於能夠與那些執行在本地 CPU 上的程式碼效能相媲美。
開發者也可以使用 TensorFire 提供的底層介面來進行其他的高效能運算，譬如 PageRank、元胞自動機模擬、圖片轉化與過濾等等。
專案地址
https://www.oschina.net/p/tensorfire
十二、PHP-ML：PHP 機器學習庫
推薦理由：我們都知道 Python 或者是 C++ 提供了更多機器學習的庫，但他們大多都比較複雜，配置起來讓很多新手感到頭疼。PHP-ML 這個機器學習庫雖然沒有特別高大上的演算法，但其具有最基本的機器學習、分類等演算法，小專案或者小公司做一些簡單的資料分析、預測等等足以夠用。
[圖片上傳失敗...(image-2be3bd-1513783312474)]
PHP-ML 是使用 PHP 編寫的機器學習庫。同時包含演算法，交叉驗證，神經網路，預處理，特徵提取等。
專案地址
https://www.oschina.net/p/php-ml
閱讀更多
相信自己，沒有做不到的，只有想不到的，如果你覺得此文對您有所幫助， 歡迎關注。日 更 精 彩 微 信 號：codeGoogler
https://www.oschina.net/p/deeplearn-js
十一、 TensorFire：基於 WebGL 的瀏覽器端神經網路框架
推薦理由：TensorFire 是基於 WebGL 的，執行在瀏覽器中的神經網路框架。使用 TensorFire 編寫的應用能夠在實現前沿深度學習演算法的同時，不需要任何的安裝或者配置就直接執行在現代瀏覽器中。
[站外圖片上傳中...(image-2951b5-1513783284687)]
與之前某些瀏覽器內的神經網路框架相比，TensorFire 有著近百倍的速度提升，甚至於能夠與那些執行在本地 CPU 上的程式碼效能相媲美。
開發者也可以使用 TensorFire 提供的底層介面來進行其他的高效能運算，譬如 PageRank、元胞自動機模擬、圖片轉化與過濾等等。
專案地址
https://www.oschina.net/p/tensorfire
十二、PHP-ML：PHP 機器學習庫
推薦理由：我們都知道 Python 或者是 C++ 提供了更多機器學習的庫，但他們大多都比較複雜，配置起來讓很多新手感到頭疼。PHP-ML 這個機器學習庫雖然沒有特別高大上的演算法，但其具有最基本的機器學習、分類等演算法，小專案或者小公司做一些簡單的資料分析、預測等等足以夠用。
[圖片上傳失敗...(image-9a5c74-1513783284687)]
PHP-ML 是使用 PHP 編寫的機器學習庫。同時包含演算法，交叉驗證，神經網路，預處理，特徵提取等。
專案地址
https://www.oschina.net/p/php-ml
閱讀更多
關於人工智慧的專案，相信大家都看過或者用過不少了，但它們的大多數看上去都十分“高大上”，讓人感覺要掌握他們猶如習屠龍之術一樣。事實上，有很多關於人工智慧的專案還是十分實用的，而且用途還十分有趣，下面就簡單為大家盤點 12個功能獨特的開源人工智慧專案。
一、多樣聚類的Scikit-learn
推薦理由： 基於Scipy為機器學習建造的的一個Python模組，他的特色就是多樣化的分類，迴歸和聚類的演算法包括支援向量機，邏輯迴歸，樸素貝葉斯分類器，隨機森林，Gradient Boosting，聚類演算法和DBSCAN。而且也設計出了Python numerical和scientific libraries Numpy and Scipy
專案地址：
https://link.zhihu.com/?target=http%3A//www.github.com/scikit-learn/scikit-learn
二、一個高效率的Ramp
推薦理由：Ramp是一個在Python語言下制定機器學習中加快原型設計的解決方案的庫程式。他是一個輕型的pandas-based機器學習中可插入的框架，它現存的Python語言下的機器學習和統計工具（比如scikit-learn,rpy2等）Ramp提供了一個簡單的宣告性語法探索功能從而能夠快速有效地實施演算法和轉換。
專案地址
http://www.github.com/kvh/ramp
三、 STYLE2PAINTS：強大的為線稿上色的 AI
推薦理由：新一代的強大線稿上色 AI，可根據使用者上傳的自定義色彩給線稿進行上色。專案提供了線上使用網站，十分方便使用。
[圖片上傳失敗...(image-a09db7-1513783284687)]
專案地址
https://www.oschina.net/p/style2paints
四、 SerpentAI：基於 Python 的教 AI 打遊戲的學習框架
推薦理由：SerpentAI 旨在為機器學習和 AI 研究提供一個有價值的工具。但同時，對於愛好者來說，它也是非常有趣的。
[圖片上傳失敗...(image-d786a5-1513783284687)]
Serpent.AI 中包含大量支援模組，在以遊戲為開發環境時經常遇到的場景提供解決方案，同時也提供加速開發的 CLI 工具。支援 Linux、Windows 和 MacOS 。
SerpentAI 是一個 Game Agent 框架（ps：在人機對戰中，為了區分玩家，通常稱機器玩家為 agent ），簡單而又強大。它能把任何一個遊戲變成用 Python 編寫的沙盒環境，供開發者在其中創造遊戲 Game Agent 做實驗，使用的都是開發者非常熟悉的 Python 程式碼。
專案地址
https://www.oschina.net/p/serpentai
五、 Synaptic.js：用於瀏覽器的神經網路庫
推薦理由：Synaptic.js 是一個用於 node.js 和瀏覽器的 JavaScript 神經網路庫，可以構建和訓練基本上任何型別的一階甚至二階神經網路。
該專案內建了 4 種經典的神經網路演算法：多層感知器（multilayer perceptrons）、長短期記憶網路（multilayer long-short term memory networks）、液體狀態機（Liquid State Machine）、Hopfield神經網路。使用 Synaptic.js ，你可以輕鬆測試和比較不同體系結構的效能。
專案地址
https://www.oschina.net/p/serpentai
六、 Snake-AI：貪吃蛇遊戲的人工智慧
推薦理由：一個用 C/C++ 語言編寫的貪吃蛇遊戲的人工智慧。使用了最短路徑、最長路徑、人工智慧演算法。
AI 的目的是讓蛇儘可能的吃更多的食物，直到吃滿整個地圖。
Demo
[站外圖片上傳中...(image-3b3c76-1513783284687)]
專案地址
https://www.oschina.net/p/snake-ai
七、 Uncaptcha：破解 reCAPTCHA 系統的 AI 演算法
推薦理由：unCAPTCHA 演算法以 85% 的成功率擊敗了 Google reCAPTCHA 系統。它依靠音訊驗證碼攻擊 - 使用瀏覽器自動化軟體來解析必要的元素並識別語音號碼，並以程式設計方式傳遞這些數字，最終成功欺騙目標網站。
[圖片上傳失敗...(image-c9e0c3-1513783284687)]
專案地址
https://www.oschina.net/p/uncaptcha
八、 Sockeye：基於 Apache MXNet 的神經機器翻譯框架
推薦理由：Sockeye 是一個基於 Apache MXNet 的快速而可擴充套件的深度學習庫。
Sockeye 程式碼庫具有來自 MXNet 的獨特優勢。例如，通過符號式和命令式 MXNet API，Sockeye 結合了陳述式和指令式程式設計風格；它同樣可以在多塊 GPU 上並行訓練模型。
Sockeye 實現了 MXNet 上當前最佳的序列到序列模型。它同樣為所有序列到序列模型的超引數提供恰當的預設值。對於優化，無需擔心停止標準、指標跟蹤或者權重初始化。可以簡單地執行已提供的訓練命令列介面（CLI），也可以輕易改變基礎模型架構。
專案地址
https://www.oschina.net/p/sockeye
八、 CycleGAN：生成對抗網路影象處理工具
推薦理由：這個工具功能十分強大，不僅可將繪畫作品“還原”成照片（可理解為是一個 “反濾鏡”），還能將夏天轉換成冬天，或將普通的馬轉化成斑馬。
[站外圖片上傳中...(image-83e636-1513783284687)]
與其它人工智慧繪畫不同，CycleGAN 的研究團隊試圖建立一個可雙向轉化不丟失資訊的雙向演算法。在 CycleGAN 裡照片的細節被要求完全保留，研究人員希望能夠將一張圖片輸入 CycleGAN 後進行多次反覆轉化（照片→繪畫→照片→繪畫→照片），最終可以獲得與原始照片相同或相近的圖片。
[圖片上傳失敗...(image-46159d-1513783284687)]
專案地址
https://www.oschina.net/p/cyclegan
十、 DeepLearn.js：可實現硬體加速的機器學習 JavaScript 庫
DeepLearn.js 是谷歌推出的一個可用於機器智慧並加速 WebGL 的開源 JavaScript 庫，完全在瀏覽器中執行，不需要安裝，不需要後端處理。。
[圖片上傳失敗...(image-89d857-1513783284687)]
DeepLearn.js 提供高效的機器學習構建模組，使我們能夠在瀏覽器中訓練神經網路或在推斷模式中執行預訓練模型。它提供構建可微資料流圖的 API，以及一系列可直接使用的數學函式。
雖然瀏覽器上的機器學習庫已經存在多年（例如 Andrej Karpathy 的 convnetjs），但是它們受到 JavaScript 速度的限制，或者侷限於推理而不能用於訓練（例如 TensorFire）。相比之下，deeplearn.js 通過利用 WebGL 在GPU上執行計算，以及進行完全反向傳播（full backpropagation）的能力，實現了顯著的加速。
專案地址
https://www.oschina.net/p/deeplearn-js
十一、 TensorFire：基於 WebGL 的瀏覽器端神經網路框架
推薦理由：TensorFire 是基於 WebGL 的，執行在瀏覽器中的神經網路框架。使用 TensorFire 編寫的應用能夠在實現前沿深度學習演算法的同時，不需要任何的安裝或者配置就直接執行在現代瀏覽器中。
[圖片上傳失敗...(image-2951b5-1513783284687)]
與之前某些瀏覽器內的神經網路框架相比，TensorFire 有著近百倍的速度提升，甚至於能夠與那些執行在本地 CPU 上的程式碼效能相媲美。
開發者也可以使用 TensorFire 提供的底層介面來進行其他的高效能運算，譬如 PageRank、元胞自動機模擬、圖片轉化與過濾等等。
專案地址
https://www.oschina.net/p/tensorfire
十二、PHP-ML：PHP 機器學習庫
推薦理由：我們都知道 Python 或者是 C++ 提供了更多機器學習的庫，但他們大多都比較複雜，配置起來讓很多新手感到頭疼。PHP-ML 這個機器學習庫雖然沒有特別高大上的演算法，但其具有最基本的機器學習、分類等演算法，小專案或者小公司做一些簡單的資料分析、預測等等足以夠用。
PHP-ML 是使用 PHP 編寫的機器學習庫。同時包含演算法，交叉驗證，神經網路，預處理，特徵提取等。
專案地址
https://www.oschina.net/p/php-ml
相信自己，沒有做不到的，只有想不到的
如果你覺得此文對您有所幫助，歡迎關注微信公眾號：終端研發部
