HyperAI超神经

Par Super Neuro

Au cours de l’année 2018, l’intelligence artificielle et l’apprentissage automatique ont prospéré. L’apprentissage automatique peut être observé dans les domaines de la santé, de la finance, de la reconnaissance vocale, de la réalité augmentée, etc. Cet article passera en revue les six projets d’apprentissage automatique les plus pratiques de l’année écoulée. Leurs adresses GitHub seront jointes pour votre référence.

fastai

Adresse GitHub :https://github.com/fastai/fastai

Il s'agit d'une bibliothèque Pytorch open source gratuite publiée par Fast.ai. Il a été créé à l'origine pour les étudiants du cours Fast.ai et a été officiellement publié au public en octobre 2018.

Son objectif principal est d’utiliser des méthodes efficaces pour former des réseaux neuronaux rapides et précis. Une API cohérente est désormais disponible pour les applications d’apprentissage en profondeur et les types de données importants.

En plus d'être très efficace, il est également très convivial en termes de simplicité et de facilité d'utilisation, car il a été conçu en tenant compte des idées de construction de programmes des praticiens.

Détetron

Adresse GitHub :https://github.com/facebookresearch/Detectron

Detectron est le résultat de l'IA de Facebook, construit sur Python et Caffe2, et officiellement open source en janvier 2018. Il s'agit d'une plateforme de détection d'objets et de recherche de segmentation d'instances avec une variété d'algorithmes de détection d'objets, notamment :

1) Masque R-CNN : utilise la structure Faster R-CNN pour réaliser la détection d'objets et la segmentation d'instances.

2) RetinaNet : un réseau basé sur une pyramide fonctionnelle qui utilise une perte focale unique pour gérer le problème.

3) R-CNN plus rapide : la structure de réseau de détection de cible la plus courante.

Les architectures de réseaux convolutifs principalement utilisées par ces réseaux de détection de cibles sont :

ResNeXt {50, 101, 152}
RESNET {50, 101, 152}
Réseaux pyramidaux de fonctionnalités (avec ResNet/ResNeXt)
VGG16

De plus, Detectron inclut des résultats de base et des modèles formés pour ces algorithmes et architectures, et offre un bon support pour l'ensemble de données COCO.

Texte rapide

Adresse GitHub :https://github.com/facebookresearch/fastText

Il s'agit également d'une base de données de Facebook AI et a été open source en 2016. La bibliothèque FastText est une plate-forme conçue pour la représentation et la classification de texte.

Il prend en charge plusieurs langues et est livré avec des modèles de vecteurs de mots formés pour plus de 150 langues. Ces vecteurs de mots ont une variété d’utilisations, notamment la classification de texte, le résumé et la traduction.

De plus, par rapport aux modèles profonds, fastText peut réduire le temps de formation de plusieurs jours à quelques secondes.

AutoKeras

Adresse GitHub : https://github.com/jhfjhfj1/autokeras

Auto-Keras est une bibliothèque logicielle open source pour l'apprentissage automatique automatisé (AutoML). Il a été développé par le DATA Lab de l'Université Texas A&M et des contributeurs de la communauté en utilisant la méthode Efficient Neural Architecture Search (ENAS).

L'objectif ultime d'AutoML est de fournir des outils d'accès sans obstacle afin que les personnes sans expérience en science des données ou en apprentissage automatique puissent facilement accéder et utiliser le ML. Auto-Keras va encore plus loin en fournissant des capacités de recherche automatique pour les modèles d’apprentissage en profondeur et les hyperparamètres.

Dopamine

Adresse GitHub :https://github.com/google/dopamine

Dopamine est un produit développé par Google basé sur TensorFlow. Il s’agit d’un cadre de recherche pour le prototypage rapide d’algorithmes d’apprentissage par renforcement. Flexible et facile à utiliser, il implémente des algorithmes RL standard, des métriques et des benchmarks.

Selon la documentation Dopamine, les principes de conception sont :

Facile à utiliser : aider les nouveaux utilisateurs à réaliser des expériences de référence
Développement flexible : encouragez les nouveaux utilisateurs à créer de nouvelles idées
Compact et fiable : offrant des garanties pour les nouveaux algorithmes populaires
Répétabilité : garantir des résultats reproductibles

vid2vid

Le projet Vid2vid est un effort de recherche de Nvidia qui se concentre sur le problème de la synthèse vidéo-vidéo. L'objectif de l'algorithme Vid2vid est d'apprendre une fonction de mappage d'une vidéo source d'entrée vers une vidéo photoréaliste de sortie. La vidéo de sortie finale représente avec précision le contenu de la vidéo source.

Adresse GitHub :https://github.com/NVIDIA/vid2vid