回顾 2018 ：最 6 的 6 个机器学习开源项目
头条
Dao Wei
By 超神经
过去的 2018 年，人工智能和机器学习都得到了蓬勃发展，在医疗保健、金融业、语音识别、增强现实等领域， 都能看到机器学习在其中「大展拳脚」。本文将回顾了去年最实用的六个机器学习项目，文中会附上他们的 GitHub 地址，方便大家观摩参阅。
fastai
GitHub 地址 ：https://github.com/fastai/fastai
这是 Fast.ai 发布的一个免费开源 Pytorch 库，最初是为 Fast.ai 课程的学生创建的，于 18 年 10 月正式向大众发布。
它的核心是用高效的方法，去训练高速精准的神经网络。目前已经为重要的深度学习应用程序和数据类型提供了一致的 API 。
除了高效，由于设计时考虑了从业者的程序构建思路，在简洁易用的层面上，也是相当友好。
Detetron
GitHub 地址：https://github.com/facebookresearch/Detectron
Detectron 是 Facebook AI 的成果，基于 Python 和 Caffe2 而构建，于 18 年 1 月正式开源。它是用于物体检测和实例分割研究的平台，具有多种目标检测算法，包括：
1）Mask R-CNN：使用更快的 R-CNN 结构实现目标检测和实例分割。
2）RetinaNet：基于功能金字塔的网络，使用独特的 Focal Loss 来处理问题。
3）Faster R-CNN：最常见的目标检测网络结构。
这些目标检测网络主要使用的卷积网络构架是：
- ResNeXt {50，101，152}
- RESNET {50，101，152}
- Feature Pyramid Networks（with ResNet / ResNeXt）
- VGG16
此外，而 Detectron 包含了这些算法和架构的基线结果和已训练模型，而且对 COCO 数据集支持良好。
FastText
GitHub 地址：https://github.com/facebookresearch/fastText
它也是来自于 Facebook AI 的资料库，于 16 年开源。 FastText 库是专为文本表示和分类而设计的平台。
它支持多种语言，配备有训练过的 150 多种语言的单词向量模型。这些单词向量有多种用途，包括文本分类，摘要和翻译。
另外相比于深度模型，fastText 能将训练时间由数天缩短到几秒钟。
AutoKeras
GitHub 地址：https://github.com/jhfjhfj1/autokeras
Auto-Keras 是一个用于自动机器学习（AutoML）的开源软件库。它由德州 A＆M 大学的 DATA Lab 和社区贡献者开发而来，使用的方法是高效神经构架搜索（ENAS）。
AutoML 的终极目的，是提供无门槛的访问工具，让没有数据科学或机器学习背景的人，能轻松的访问和使用 ML 。 Auto-Keras 则在这个方面迈出了一步，它能提供自动搜索深度学习模型和超参数的功能。
Dopamine
GitHub 地址：https://github.com/google/dopamine
Dopamine 是 Google 基于 TensorFlow 开发的产品，它是一款强化学习算法快速原型设计的研究框架。灵活易用，能实现标准的 RL 算法，指标和基准。
根据 Dopamine 的文档，看到设计的原则是：
- 操作简单：帮助新用户运行基准实验
- 开发灵活：促进新用户创造出新的理念
- 紧凑可靠：为以前的新流行的算法提供保障
- 克重复性：确保结果可重复
vid2vid
Vid2vid 项目是 Nvidia 的研究成果，关注的是视频到视频的合成问题。 Vid2vid 算法的目标是学习从输入源视频到输出照片拟真视频的映射函数。最终输出视频精确地描绘了源视频的内容。
GitHub 地址：https://github.com/NVIDIA/vid2vid
这个库的优点在于：它提供了几个不同的 vid2vid 应用程序，包括自动驾驶/城市场景，人脸和人体姿势。还附带有丰富的指令和功能，包括数据集加载，任务评估，培训功能和 多 GPU 等。