Top10 機器學(xué)習(xí)開源項目發(fā)布，歷時一個月評出（附 GitHub 地址）

從將近 250 個機器學(xué)習(xí)開源項目中，綜合各種條件進行打分排序，最終 Mybridge 團隊評選出十大最新、最棒的機器學(xué)習(xí)開源項目。

這份 Top10 名單中包括對象檢測、換臉、預(yù)測等等最熱的 AI 明星、話題性研究和代碼。它們在 GitHub 上的平均標(biāo)星數(shù)量是 2500 多顆。希望這 10 大開源項目，對你有所幫助。

Rank 10

作者：Posenhuang 等（微軟研究院）
GitHub：https://github.com/posenhuang/NPMT
★ Star：68

NPMT ，基于短語的神經(jīng)機器翻譯，這是一項來自微軟研究院團隊的研究。這個機器翻譯領(lǐng)域的新突破，沒有使用任何注意力機制。

這個方法通過 Sleep - WAke 網(wǎng)絡(luò)（ SWAN ）明確地建模輸出序列中的短語結(jié)構(gòu)。SWAN 是一種基于分割的序列模型方法。

NPMT 的源代碼基于 Torch 中的 fairseq 工具箱建立。fairseq 是 Facebook AI 研究院開源的序列到序列工具箱，這個方法使用卷積神經(jīng)網(wǎng)絡(luò)來做語言翻譯，比循環(huán)神經(jīng)網(wǎng)絡(luò)提速 9 倍。

Rank 9

Deep-neuroevolution
作者：Uber AI 實驗室
GitHub：https://github.com/uber-common/deep-neuroevolution
★ Star：392

這是共享出行巨頭 Uber 開源的算法，他們此前集中發(fā)布了 5 篇論文，支持一種正在興起的認(rèn)識：通過用進化算法來優(yōu)化神經(jīng)網(wǎng)絡(luò)的神經(jīng)進化（ neuroevolution ）也是為強化學(xué)習(xí)（ RL ）訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)的一種有效方法。

而這次 GitHub 中公布的代碼，包括以下算法的分布式實現(xiàn)：

1、Deep Neuroevolution: Genetic Algorithms Are a Competitive Alternative for Training Deep Neural Networks for Reinforcement Learning

論文地址：https://arxiv.org/abs/1712.06567

2、Improving Exploration in Evolution Strategies for Deep Reinforcement Learning via a Population of Novelty-Seeking Agents

論文地址：https://arxiv.org/abs/1712.06560

這些代碼基于 OpenAI 此前公布的源代碼和論文。

Rank 8

Simple
作者：chrisstroemel
GitHub：https://github.com/chrisstroemel/Simple
★ Star：235

Simple 是貝葉斯優(yōu)化的更具可擴展性的替代方法。像貝葉斯優(yōu)化一樣，它的樣本效率很高，能用盡可能少的樣本收斂到全局最優(yōu)。

對于典型的優(yōu)化工作負(fù)載，貝葉斯優(yōu)化消耗的 CPU 時間以分鐘計，而 Simple 使用的 CPU 時間以毫秒計。如下圖所示：

Rank 7

作者：Henry Mao 等（加州大學(xué)圣迭戈分校）
GitHub：https://github.com/calclavia/DeepJ
★ Star：313

DeepJ 是一種端到端生成模型，能夠以特定的混合風(fēng)格來實時創(chuàng)作鋼琴曲。這個算法能夠生成可以調(diào)整參數(shù)的音樂，這種可調(diào)整的屬性，能為藝術(shù)家、電影制作人、作曲家等帶來實際的幫助。

使用這套代碼需要 Python 3.5 。

訪問下面的 Demo 地址，可玩、可感受，亦可當(dāng)背景音聽。

Demo 地址：https://deepj.ai/

Rank 6

作者：Charles Beattie 等（DeepMind）
GitHub：https://github.com/deepmind/lab/tree/master/game_scripts/levels/contributed/psychlab
★ Star：4774

Psychlab ，DeepMind 為 AI 開設(shè)的心理學(xué)實驗室。

其實就是個第一人稱視角 3D 游戲世界，這個心理學(xué)實驗室當(dāng)然也是個模擬環(huán)境，研究對象是其中的深度強化學(xué)習(xí)智能體（ Agents ）。Psychlab 能夠?qū)崿F(xiàn)傳統(tǒng)實驗室中的經(jīng)典心理學(xué)實驗，讓這些本來用來研究人類心理的實驗，也可以用在 AI 智能體上。

Rank 5

作者：DeepMind
GitHub：https://github.com/deepmind/dm_control
★ Star：882

火遍全球的 AlphaGo 讓我們知道了強化學(xué)習(xí)打游戲究竟有多厲害，這么強大的算法什么時候才能打破次元壁，走進現(xiàn)實、控制物理世界中的物體呢？

DeepMind 已經(jīng)開始往這方面努力。他們此前發(fā)布的控制套件“ DeepMind Control Suite ”，就為設(shè)計和比較用來控制物理世界的強化學(xué)習(xí)算法開了個頭。

Control Suite 設(shè)計了一組有著標(biāo)準(zhǔn)化結(jié)構(gòu)、可解釋獎勵的連續(xù)控制任務(wù)，還為強化學(xué)習(xí) Agent 提供一組性能測試指標(biāo)。

Control Suite 中的任務(wù)可以分為 14 個領(lǐng)域，也就是 14 類物理模型，上排從左到右分別是：

體操機器人 Acrobot ，（兩節(jié)鐘擺）、杯中小球、倒立擺、獵豹形機器人、手指、魚、單足跳躍機器人，下排從左到右分別是人形機器人、機械手、鐘擺、質(zhì)點、形似兩節(jié)手臂的 Reacher 、游泳機器人、步行者。

Rank 4

作者：Marco Ribeiro 等（華盛頓大學(xué)）
GitHub：https://github.com/marcotcr/lime
★ Star：3148

在這次的 Top10 項目中，這個算是“老資格”了。主要基于 KDD2016 上發(fā)表的論文：《“為什么我應(yīng)該相信你？”解釋任何分類器的預(yù)測》。

這個研究提出了局部可理解的與模型無關(guān)的解釋技術(shù)（ Local Interpretable Model-Agnostic Explanations: LIME ），一種用于解釋任何機器學(xué)習(xí)分類器的預(yù)測的技術(shù)，并在多種與信任相關(guān)的任務(wù)中評估了它的可用性。

下面這段視頻，是一個更直觀的解釋。

Rank 3

Gradient-checkpointing
作者：OpenAI
GitHub：https://github.com/openai/gradient-checkpointing
★ Star：1107

GPU 內(nèi)存太小可能是神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中最大的攔路虎。

不怕，用這個 OpenAI 推出的 gradient-checkpointing 工具程序包，對于前饋模型來說，僅僅需要增加 20% 的計算時間，就能讓 GPU 處理十倍大的模型。

這個工具包的開發(fā)者是 OpenAI 的研究科學(xué)家 Tim Salimans 和前 Google Brain 工程師的數(shù)據(jù)科學(xué)家 Yaroslav Bulatov 。

這個工具包使用了“用亞線性的存儲成本訓(xùn)練神經(jīng)網(wǎng)絡(luò)”的技術(shù)，為簡單的前饋網(wǎng)絡(luò)提供了等價的內(nèi)存存儲，同時能為一般的神經(jīng)網(wǎng)絡(luò)節(jié)省內(nèi)存，比如多層架構(gòu)。

Rank 2

作者：Hidde Jansen
GitHub：https://github.com/deepfakes/faceswap
★ Star：3629

最近 Deepfakes 在 AI 、AV 兩屆掀起軒然大波。簡單的說，就是 AI 可以幫你給 AV 小片換臉，替換成任何你想看的明星。

而 FaceSwap 是一個基于 deepfakes 的非官方開源項目。

Rank 1

作者：Facebook AI 研究院
GitHub：https://github.com/facebookresearch/Detectron
★ Star：11248

這個應(yīng)該是當(dāng)之無愧的第一吧。

Detectron 是 Facebook 的物體檢測平臺，今年初宣布開源，它基于 Caffe2 ，用 Python 寫成，這次開放的代碼中就包含了 Mask R-CNN 的實現(xiàn)。

除此之外，Detectron 還包含了 ICCV 2017 最佳學(xué)生論文 RetinaNet ，Ross Girshick（ RBG ）此前的研究 Faster R-CNN 和 RPN 、Fast R-CNN 、以及 R-FCN 的實現(xiàn)。