【AI前沿動態】Github 上評價最高的 5 個機器學習項目

機器學習作為一個領域，正以驚人的速度發展。Github 是全世界開發者都在關注的網站，最高質量的代碼被定期發布在這里。

照片由 Morgan Harper Nichols 發布在 Unsplash 上

顯然，在機器學習的世界里，不可能跟蹤所有的事情。但是在 Github 上你可以跟蹤所有的項目，Github 對每個項目都有 star 評定。基本上，如果你為一個 repo 打上 star，那么就表示你對這個項目感興趣，并跟蹤你感興趣的 repo。

這樣，star 數量就可以成為了解最受關注項目的指標之一，讓我們來看看 5 個高評級的項目吧。

1. face-recognition —— 25858★

Github 地址：

https://github.com/ageitgey/face_recognition

世界上最簡單的面部識別工具。它為 python 和命令行提供了一個應用程序編程接口（API）。它對于識別和處理圖像中的人臉特別有用。它是使用 dlib 最先進的人臉識別算法構建的。深度學習模型在「Labeled Faces in the Wild」數據集（http://vis-www.cs.umass.edu/lfw/）的上的識別精度為 99.38%。

它還提供了一個簡單的人臉識別命令行工具，這個工具讓你可以從命令行本身對文件夾中的圖像進行人臉識別！

你可以用它來找到圖像中出現的人臉：

import face_recognition

image = face_recognition.load_image_file("your_file.jpg")

face_locations = face_recognition.face_locations(image)

也可以用它來查找面部特征，了解人的眼睛、鼻子、嘴和下巴的位置和輪廓：

import face_recognition

image = face_recognition.load_image_file("your_file.jpg")

face_landmarks_list = face_recognition.face_landmarks(image)

可以化妝：

可以識別圖片中的人是誰：

import face_recognition

known_image = face_recognition.load_image_file("biden.jpg")

unknown_image = face_recognition.load_image_file("unknown.jpg")

biden_encoding = face_recognition.face_encodings(known_image)[0]

unknown_encoding = face_recognition.face_encodings(unknown_image)[0]

results = face_recognition.compare_faces([biden_encoding], unknown_encoding)

相關代碼可以查看：https://github.com/ageitgey/face_recognition/blob/master/examples/facerec_from_webcam_faster.py

2. fastText by FacebookResearch — 18,819 ★

Github 地址：

https://github.com/facebookresearch/fastText

fastText 是 Facebook 團隊的一個開源免費庫，用于單詞表達的高效學習。它是輕量級的，允許用戶學習文本表示和句子分類。它在標準的通用硬件上工作。模型甚至可以縮小到在移動設備上使用。

文本分類是許多應用程序要解決的核心問題，如垃圾郵件檢測、情感分析或智能答案。文本分類的目標是將文檔（如電子郵件、文章、文本消息、產品評論等）分配到多個類別。

單詞分類示例來源：alterra.ai

它是對 NLP 愛好者來說非常有用的資源。

其目錄如下：

模型

補充數據

問答

備忘清單

獲取源碼

使用 make 創建 fastText（推薦）

使用 cmake 創建 fastText

使用 Python 創建 fastText

詞表示學習

獲取詞匯庫之外的詞匯向量

文本分類

用字信息豐富字向量

有效的文本分類技巧

FastText.zip：壓縮文本分類模型

后面的部分還介紹了補充數據集、常見的問題及對應的答案以及這個工具的使用要求等，解釋非常詳細，且都附有代碼~

3. awesome-tensorflow — 14,424 ★

Github 地址：

https://github.com/jtoy/awesome-tensorflow

這是一組幫助你理解和使用 TensorFlow 的資源。Github repo 包含一個很棒的 TensorFlow 實驗、庫和項目的管理列表。

TensorFlow 是由 Google 發布的一個端到端的開源機器學習平臺。它擁有一個由工具、庫和社區資源組成的綜合生態系統，使研究人員能夠使用 ML 中最先進的技術。IT 開發人員可以通過使用它，輕松地構建和部署 ML 驅動的應用程序。

該資源的目錄如下：

目錄分為：

教程

模型/項目

由 TensorFlow 提供支持

庫

工具

教學視頻

論文

博客文章

社區

圖書推薦

在第一部分——教程里面，介紹了很多 Tensorflow 的基礎知識和基本原理、應用，包括框架的介紹，代碼示例和案例講解，概念方法講解等，還提供了視頻和詳細文檔。

后面還推薦了很多項目，書籍以及優秀博文，尤其是學習視頻這塊，資源非常詳盡，從 Tensorflow 的安裝到深度學習和圖像識別都進行了講解，對初學者真的非常友好，感興趣的同學可以打開看看：

TensorFlow Guide 1?- 安裝使用指南

TensorFlow Guide 2?- 第一個視頻的后續

TensorFlow Basic Usage?- 基本用法介紹指南

TensorFlow Deep MNIST for Experts?- 理解 Deep MNIST

TensorFlow Udacity Deep Learning?- 在擁有 1 GB 數據的 Cloud 9 上在線免費安裝 Tensorflow 的方法

Why Google wants everyone to have access to TensorFlow?- 谷歌為什么希望所有人都能訪問 Tensorflow

Videos from TensorFlow Silicon Valley Meet Up 1/19/2016

Videos from TensorFlow Silicon Valley Meet Up 1/21/2016

Stanford CS224d Lecture 7 - Introduction to TensorFlow?- Richard Socher 在Stanford 的演講，關于自然語言處理和深度學習

Diving into Machine Learning through TensorFlow?- Pycon 2016 Portland Oregon, Slide & Code by Julia Ferraioli, Amy Unruh, Eli Bixby

Large Scale Deep Learning with TensorFlow?- Jeff Dean 的視頻

Tensorflow and deep learning - without at PhD - by Martin G?rner

Tensorflow and deep learning - without at PhD, Part 2 (Google Cloud Next '17) - by Martin G?rner

Image recognition in Go using TensorFlow?- by Alex Pliutau

4. predictionio by Apache — 11852 ★

Github 地址：

https://github.com/apache/predictionio

ApachePredictionIO 是一個面向開發人員、數據科學家和最終用戶的開源機器學習框架。用戶可以使用這個框架來構建、部署和測試真實的 ML 應用程序。

它甚至支持事件收集、評估和查詢預測結果。它是基于 Hadoop、HBase 等可擴展的開源服務的。

就機器學習領域而言，它減輕了開發人員的負擔。

在這個 repo 里面，對 ApachePredictionIO 的安裝、如何快速開始、如何解決錯誤、相關文檔以及社區等等都進行了說明：

這個工具的網站打開界面如下：

左側詳細地解釋了工具的使用方法，比如，打開「Installing Apache PredictionIO」，可以看到很詳細的安裝教程：

如果你想開始使用它，可以點擊這個網址：http://predictionio.apache.org/

5. Style2Paints — 9184 ★

Github 地址：https://github.com/style2paints

網站：https://style2paints.github.io/

這個 repo 與上述所有 repo 略有不同，因為它由于缺少資金而被關閉了！這是一個非常有趣的概念，用人工智能來給圖像上色。

他們聲稱，Style2paints V4 是當前最佳的人工智能驅動線條藝術著色工具。

他們還談到，Style2Paints 不同于以前的端到端、圖像到圖像的翻譯方法，因為它是第一個在現實人類工作流程中對線條藝術進行著色的系統。大多數人類藝術家都熟悉這個工作流程。

打開網站，可以看到上面有很詳細的圖文告訴大家如何去使用這個工具。你可以控制渲染模式，還可以選擇細心和粗心模式，保存進度。當然，上面還有關于常見問題的解答。

Style2Paints V4 非常的好用！任何人都能在十分鐘內學會！首先你需要下載一張線稿，在工具上保存、上傳之后，再選擇自己喜歡的人工智能畫師，就可以對上傳的線稿進行渲染了。

在最新版本里面，還有careful mode （細心模式） 和 careless mode （粗心模式）。在細心模式 （careful mode）中，人工智能會細心的涂抹平滑，精細的顏色。但是這個模式下的人工智能會限制自我的發揮來迎合人類。在粗心模式 （careless mode）中，人工智能會自己發揮，但是可能細節上會出現丟失。同時可能人工智能會反抗你的提示。

sketching -> color filling/flattening -> gradients/details adding -> shading

Style2Paints 是根據上面的流程設計的。這樣的流只需單擊 2 次，就可以從最左邊的圖像生成中間圖像。

只需再點擊 4 次，你就可以得到下圖：

互聯網就像是海洋，機器學習就像是流入其中的河流。Github 上的 star 是對這條寶河進行篩選的一個很好的度量標準。

轉自：https://mp.weixin.qq.com/s/2KBBlVhNN5NYA6GcCfKj4Q

人工智能 機器學習 AI

版權聲明：本文內容由網絡用戶投稿，版權歸原作者所有，本站不擁有其著作權，亦不承擔相應法律責任。如果您發現本站中有涉嫌抄襲或描述失實的內容，請聯系我們jiasou666@gmail.com 處理，核實后本網站將在24小時內刪除侵權內容。

版權聲明：本文內容由網絡用戶投稿，版權歸原作者所有，本站不擁有其著作權，亦不承擔相應法律責任。如果您發現本站中有涉嫌抄襲或描述失實的內容，請聯系我們jiasou666@gmail.com 處理，核實后本網站將在24小時內刪除侵權內容。