2018年7月機器學習開源項目TOP 10

編譯：chux

出品：ATYUN訂閱號

在過去的一個月里，Mybridge AI根據各種因素對項目進行排名，在將近250個機器學習開源項目中選出前10位。

這個月10個項目在Github上平均評星為1041。

主題包括：DensePose，圖像分類，多尺度訓練，移動AI計算引擎，衛星圖像，NLP，Python包，字檢測，NCRF，DALI。

開源項目對程序員很實用，希望你找到一個啟發你的有趣項目。

No.1：DensePose

這是一種實時方法，用於將2D RGB圖像的所有人類像素映射到身體的3D表面模型。

DensePose-RCNN在Detectron框架中實現，由Caffe2提供支持。

Github 2901顆星。由Facebook Research提供。

項目：github.com/facebookresearch/DensePose?utm_source=mybridge&utm_medium=blog&utm_campaign=read_more

No.2：Darts

可分辨的架構搜索卷積和循環網路。該演算法基於架構空間中的連續鬆弛和梯度下降。它能夠有效地設計用於圖像分類的高性能卷積體系結構（在CIFAR-10和ImageNet上）和用於語言建模的循環體系結構（在Penn Treebank和WikiText-2上）。只需要一個GPU。

Github 1128顆星。由Hanxiao Liu提供。

項目：github.com/quark0/darts?utm_source=mybridge&utm_medium=blog&utm_campaign=read_more

No.3：SNIPER，高效的多規模訓練

SNIPER是一種有效的多尺度物體檢測演算法，用於實例級識別任務，如對象檢測和實例級分割。SNIPER不是處理圖像金字塔中的所有像素，而是選擇性地處理地面實況對象（也稱為晶元）周圍的上下文區域。由於它在低解析度晶元上運行，因此顯著加速了多規模培訓。由於其內存高效設計，SNIPER可以在訓練期間受益於批量標準化，並且可以在單個GPU上實現更大批量大小的實例級識別任務。因此，我們不需要跨GPU同步批量標準化統計數據，我們可以訓練對象檢測器，類似於我們進行圖像分類的方式！

GIF

Github 1352顆星。由Mahyar Najibi提供。

項目：github.com/mahyarnajibi/SNIPER?utm_source=mybridge&utm_medium=blog&utm_campaign=read_more

No.4：Mace

針對移動異構計算平台優化的深度學習推理框架。該設計側重於以下目標：

性能

使用NEON，OpenCL和Hexagon優化運行時，並 引入Winograd演算法以加速卷積運算。初始化也被優化為更快。

能量消耗

與晶元相關的電源選項如big.LITTLE調度，Adreno GPU提示作為高級API包含在內。

響應

在運行模型時，UI響應性保證有時是強制性的。引入了將OpenCL內核自動分解為小單元的機制，以便更好地搶佔UI呈現任務。

內存使用和庫佔用空間

支持圖級存儲器分配優化和緩衝器重用。核心庫試圖保持最小的外部依賴性以保持庫佔用空間小。

模型保護

自設計開始以來，模型保護一直是最優先考慮的事項。引入了各種技術，例如將模型轉換為C ++代碼和文字混淆。

平台覆蓋

良好的覆蓋最近的高通，聯發科技，Pinecone和其他基於ARM的晶元。CPU運行時還與大多數POSIX系統和性能有限的體系結構兼容。

Github 2118顆星。由小米提供。

項目：github.com/XiaoMi/mace?utm_source=mybridge&utm_medium=blog&utm_campaign=read_more

No.5：Robosat

航空和衛星圖像的語義分割。提取功能，如：建築物，停車場，道路，水。RoboSat附帶的工具可分為以下幾類：

數據準備：為訓練特徵提取模型創建數據集

訓練和建模：圖像特徵提取的分割模型

後處理：將分割結果轉換為乾淨和簡單的幾何形狀

Github 776顆星。由Mapbox提供。

項目：github.com/mapbox/robosat?utm_source=mybridge&utm_medium=blog&utm_campaign=read_more

No.6：DecaNLP

自然語言十項全能是一項多任務挑戰，涵蓋十項任務：問答，機器翻譯，摘要，自然語言推理，情感分析，語義角色標記，零鏡頭關係提取，目標導向對話，語義分析和常識代詞解析。每個任務都被轉換為問題回答，這使得我們可以使用新的多任務問題應答網路（MQAN）。此模型聯合學習decaNLP中的所有任務，而多任務設置中沒有任何特定於任務的模塊或參數。

Github 886顆星。由Salesforce提供

項目：github.com/salesforce/decaNLP?utm_source=mybridge&utm_medium=blog&utm_campaign=read_more

No.7：Magnitude

Magnitude是一個快速，簡單的矢量嵌入實用程序庫，用於在Plasticity開發的快速，高效和簡單的方式中將矢量嵌入用於機器學習模型。它主要是為Gensim提供更簡單/更快速的替代方案，但可以用作NLP之外的域的通用密鑰向量存儲。

Github 427顆星。

項目：github.com/plasticityai/magnitude?utm_source=mybridge&utm_medium=blog&utm_campaign=read_more

No.8：Porcupine

由深度學習驅動的設備喚醒字檢測引擎。

自助服務。開發人員有權在幾秒鐘內選擇任何喚醒詞並構建其模型。

使用在真實情況下訓練的深度神經網路（即雜訊和混響）。

緊湊且計算效率高，使其適用於物聯網應用。

跨平台。它以純定點ANSI C實現。目前支持Raspberry Pi，Android，iOS，watchOS，Linux，Mac和Windows。

可擴展性。它可以同時檢測數十個喚醒字，幾乎沒有額外的CPU /內存佔用。

開源。您在此存儲庫中找到的任何內容都是Apache 2.0許可的。

Github 373顆星。由Picovoice提供。

項目：github.com/Picovoice/Porcupine?utm_source=mybridge&utm_medium=blog&utm_campaign=read_more

No.9：NCRF

用神經條件隨機場（NCRF）檢測癌症轉移。

Github 290顆星。由百度深度學習研究院提供。

項目：github.com/baidu-research/NCRF?utm_source=mybridge&utm_medium=blog&utm_campaign=read_more

No.10：DALI

DALI是高度優化的構建塊和執行引擎的集合，用於加速深度學習應用程序的輸入數據預處理。DALI提供加速不同數據流水線的性能和靈活性，作為單個庫，可以輕鬆集成到不同的深度學習培訓和推理應用程序中。

Github 420顆星。由NVIDIA提供。

項目：github.com/NVIDIA/dali?utm_source=mybridge&utm_medium=blog&utm_campaign=read_more

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！