【AI前沿动态】Github 上评价最高的 5 个机器学习项目

机器学习作为一个领域，正以惊人的速度发展。Github 是全世界开发者都在关注的网站，最高质量的代码被定期发布在这里。

照片由 Morgan Harper Nichols 发布在 Unsplash 上

显然，在机器学习的世界里，不可能跟踪所有的事情。但是在 Github 上你可以跟踪所有的项目，Github 对每个项目都有 star 评定。基本上，如果你为一个 repo 打上 star，那么就表示你对这个项目感兴趣，并跟踪你感兴趣的 repo。

这样，star 数量就可以成为了解最受关注项目的指标之一，让我们来看看 5 个高评级的项目吧。

  1. face-recognition —— 25858★

Github 地址：

https://github.com/ageitgey/face_recognition

世界上最简单的面部识别工具。它为 python 和命令行提供了一个应用程序编程接口（API）。它对于识别和处理图像中的人脸特别有用。它是使用 dlib 最先进的人脸识别算法构建的。深度学习模型在「Labeled Faces in the Wild」数据集（http://vis-www.cs.umass.edu/lfw/）的上的识别精度为 99.38%。

它还提供了一个简单的人脸识别命令行工具，这个工具让你可以从命令行本身对文件夹中的图像进行人脸识别！

你可以用它来找到图像中出现的人脸：

也可以用它来查找面部特征，了解人的眼睛、鼻子、嘴和下巴的位置和轮廓：

import face_recognition

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

face_landmarks_list = face_recognition.face_landmarks(image)

可以化妆：

可以识别图片中的人是谁：

相关代码可以查看：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 团队的一个开源免费库，用于单词表达的高效学习。它是轻量级的，允许用户学习文本表示和句子分类。它在标准的通用硬件上工作。模型甚至可以缩小到在移动设备上使用。

文本分类是许多应用程序要解决的核心问题，如垃圾邮件检测、情感分析或智能答案。文本分类的目标是将文档（如电子邮件、文章、文本消息、产品评论等）分配到多个类别。

单词分类示例来源：alterra.ai

它是对 NLP 爱好者来说非常有用的资源。

其目录如下：

• 模型
• 补充数据
• 问答
• 备忘清单
  

• 获取源码
• 使用 make 创建 fastText（推荐）
• 使用 cmake 创建 fastText
• 使用 Python 创建 fastText

• 词表示学习
• 获取词汇库之外的词汇向量
• 文本分类

• 用字信息丰富字向量
• 有效的文本分类技巧
• FastText.zip：压缩文本分类模型

后面的部分还介绍了补充数据集、常见的问题及对应的答案以及这个工具的使用要求等，解释非常详细，且都附有代码~

  3. awesome-tensorflow — 14,424 ★

Github 地址：

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

这是一组帮助你理解和使用 TensorFlow 的资源。Github repo 包含一个很棒的 TensorFlow 实验、库和项目的管理列表。

TensorFlow 是由 Google 发布的一个端到端的开源机器学习平台。它拥有一个由工具、库和社区资源组成的综合生态系统，使研究人员能够使用 ML 中最先进的技术。IT 开发人员可以通过使用它，轻松地构建和部署 ML 驱动的应用程序。

该资源的目录如下：

目录分为：

• 教程
  

• 模型/项目
  

• 由 TensorFlow 提供支持
  

• 库
  

• 工具
  

• 教学视频
  

• 论文
  

• 博客文章
  

• 社区
  

• 图书推荐

在第一部分——教程里面，介绍了很多 Tensorflow 的基础知识和基本原理、应用，包括框架的介绍，代码示例和案例讲解，概念方法讲解等，还提供了视频和详细文档。

后面还推荐了很多项目，书籍以及优秀博文，尤其是学习视频这块，资源非常详尽，从 Tensorflow 的安装到深度学习和图像识别都进行了讲解，对初学者真的非常友好，感兴趣的同学可以打开看看：

• TensorFlow Guide 1 - 安装使用指南
  

• TensorFlow Guide 2 - 第一个视频的后续
  

• TensorFlow Basic Usage - 基本用法介绍指南
  

• TensorFlow Deep MNIST for Experts - 理解 Deep MNIST
  

• TensorFlow Udacity Deep Learning - 在拥有 1 GB 数据的 Cloud 9 上在线免费安装 Tensorflow 的方法
  

• Why Google wants everyone to have access to TensorFlow - 谷歌为什么希望所有人都能访问 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 的演讲，关于自然语言处理和深度学习
  

• 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 的视频
  

• Tensorflow and deep learning - without at PhD - by Martin Görner
  

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

• Image recognition in Go using TensorFlow - by Alex Pliutau
  

  4. predictionio by Apache — 11852 ★

Github 地址：

https://github.com/apache/predictionio

ApachePredictionIO 是一个面向开发人员、数据科学家和最终用户的开源机器学习框架。用户可以使用这个框架来构建、部署和测试真实的 ML 应用程序。

它甚至支持事件收集、评估和查询预测结果。它是基于 Hadoop、HBase 等可扩展的开源服务的。

就机器学习领域而言，它减轻了开发人员的负担。

在这个 repo 里面，对 ApachePredictionIO 的安装、如何快速开始、如何解决错误、相关文档以及社区等等都进行了说明：

这个工具的网站打开界面如下：

左侧详细地解释了工具的使用方法，比如，打开「Installing Apache PredictionIO」，可以看到很详细的安装教程：

如果你想开始使用它，可以点击这个网址：http://predictionio.apache.org/

  5. Style2Paints — 9184 ★

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

网站：https://style2paints.github.io/

这个 repo 与上述所有 repo 略有不同，因为它由于缺少资金而被关闭了！这是一个非常有趣的概念，用人工智能来给图像上色。

他们声称，Style2paints V4 是当前最佳的人工智能驱动线条艺术着色工具。

他们还谈到，Style2Paints 不同于以前的端到端、图像到图像的翻译方法，因为它是第一个在现实人类工作流程中对线条艺术进行着色的系统。大多数人类艺术家都熟悉这个工作流程。

打开网站，可以看到上面有很详细的图文告诉大家如何去使用这个工具。你可以控制渲染模式，还可以选择细心和粗心模式，保存进度。当然，上面还有关于常见问题的解答。

Style2Paints V4 非常的好用！任何人都能在十分钟内学会！首先你需要下载一张线稿，在工具上保存、上传之后，再选择自己喜欢的人工智能画师，就可以对上传的线稿进行渲染了。

在最新版本里面，还有careful mode （细心模式） 和 careless mode （粗心模式）。在细心模式 （careful mode）中，人工智能会细心的涂抹平滑，精细的颜色。但是这个模式下的人工智能会限制自我的发挥来迎合人类。在粗心模式 （careless mode）中，人工智能会自己发挥，但是可能细节上会出现丢失。同时可能人工智能会反抗你的提示。

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

Style2Paints 是根据上面的流程设计的。这样的流只需单击 2 次，就可以从最左边的图像生成中间图像。

只需再点击 4 次，你就可以得到下图：

互联网就像是海洋，机器学习就像是流入其中的河流。Github 上的 star 是对这条宝河进行筛选的一个很好的度量标准。

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