2018年又是人工智能和機器學習快速發展的一年。許多新的機器學習的項目正在以非常高的影響力影響著諸多領域，特別是醫療保健、金融、語音識別、增強現實和更復雜3D視頻渲染。

這一年，我們看到了更多的應用驅動研究，而不是理論研究。雖然這可能有其缺點，但它在短時間內產生了一些巨大的積極影響，產生了可以迅速轉化為業務和客戶創造價值的新研發，這一趨勢在ML開源項目中得到了強烈反映。

讓我們來看看過去一年中最實用的6個ML項目。這些項目都公開發布了代碼和數據集，允許個別開發人員和小型團隊學習并創造價值。它們可能不是理論上最具開創性的作品，但它們很實用！

Fast.ai

Fast.ai庫的編寫是為了使用現代最佳實踐方法以簡化且快速準確進行神經網絡訓練，它抽象了在實踐中實施深度神經網絡可能帶來的所有細節工作。而且它非常易于使用，并且設計它的人有應用程序構建思維。它最初是為Fast.ai課程的學生創建的，該庫以簡潔易懂的方式編寫在易于使用的Pytorch庫之上。

Detectron

Detectron是Facebook AI用于物體檢測和實例分割研究的研究平臺，系統是用Caffe2編寫。它包含各種對象檢測算法的實現，包括：

·Mask?R-CNN：使用更快的R-CNN結構的對象檢測和實例分割；

·RetinaNet：一個基于(Feature?Pyramid?Network)算法的網絡，具有獨特的Focal Loss來處理難題；

·Faster?R-CNN：對象檢測網絡最常見的結構；

所有網絡都可以使用以下幾種可選的分類主干之一：

·ResNeXt {50101152}；

·RESNET {50101152}；

·Feature?Pyramid?Network（使用ResNet/ResNeXt）；

·VGG16；

更重要的是，所有上述這些模型都是帶有COCO數據集上的預訓練模型，因此你可以立即使用它們！他們已經在Detectron模型動物園中使用標準評估指標進行了測試。

FastText

這是另一個來自Facebook的研究，fastText庫專為文本表示和分類而設計。它配備了預先訓練的150多種語言的詞向量模型，這些單詞向量可用于許多任務，包括文本分類，摘要和翻譯等。

Auto-Keras

Auto-Keras是一個用于自動機器學習（AutoML）的開源軟件庫。它由Texas A＆M大學的DATA實驗室和社區貢獻者開發。AutoML的最終目標是為具有有限數據科學或機器學習背景的開發工程師提供易于訪問的深度學習工具。Auto-Keras提供自動搜索深度學習模型的最佳架構和超參數的功能。

Dopamine

Dopamine是由Google基于強化學習創建的快速原型設計的研究框架，它旨在靈活且易于使用，實現標準RL算法，指標和基準。

根據Dopamine的文檔，他們的設計原則是：

·簡單的測試：幫助新用戶運行基準測試；

·靈活的開發：為新用戶提供新的創新想法；

·可靠：為一些較舊和更流行的算法提供實現；

·可重復性：確保結果是可重復；

vid2vid

vid2vid項目是在Pytorch上實現的Nvidia最先進的視頻到視頻合成的模型。視頻到視頻合成的目標是學習從輸入源視頻（例如，一系列語義分割掩模）到精確描繪源視頻內容的輸出照片擬真視頻的映射函數。

這個庫的好處在于它的選擇：它提供了幾種不同的vid2vid應用程序，包括自動駕駛/城市場景，人臉和人體姿勢。它還附帶了豐富的指令和功能，包括數據集加載、任務評估、訓練功能和多GPU！

?

原文鏈接
本文為云棲社區原創內容，未經允許不得轉載。

創作挑戰賽新人創作獎勵來咯，堅持創作打卡瓜分現金大獎

總結

以上是生活随笔為你收集整理的2018最有用的六个机器学习项目的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。