年度大盤點:機器學習開源專案及框架
我們先來看看Mybridge AI 中排名靠前的頂級開源專案,再聊聊機器學習今年都有哪些發展,最後探尋下新的一年中會有哪些有值得我們期待的事情。
頂級的開源專案
BERT
BERT,全稱為Bidirectional Encoder Representations from Transformers,是一種基於TensorFlow解決自然語言處理的新方法,且效能更好。我們可以使用BERT中的 預訓練模型解決問題,該模型在效能上具有很大優勢,比如可以識別句子中的上下文。在Github中非常受歡迎,有8848個星,完整學術論文請訪問這裡。
DeepCreamPy
DeepCreamPy是一個
TRFL
TRFL專案可用於編寫TensorFlow中的強化學習代理,具體的操作文件在這裡。
Horizon
Horizon是一個基於PyTorch構建的強化學習平臺,並使用Caffe2為模型提供服務。Horizon的主要優勢在於,設計者在設計這一平臺的時候,考慮了生產用例。想要了解更多詳細內容,請檢視Facebook Research官方文件。另外,如果你想使用Horizon,可檢視該使用文件
DeOldify
DeOldify是一個用於著色和恢復舊影象的深度學習庫。開發者結合了幾種不同的方法,來實現這一目標,其中的幾種方法包括:帶自注意力機制的生成對抗網路(Self-Attention Generative Adversarial Networks),Progressive Growing of GANs,以及TTUR( Two Time-Scale Update Rule)。
AdaNet
AdaNet是一個基於TensorFlow的庫,它可以自動學習模型,且不需要很多的技術人員參與,該專案基於AdaNet演算法。訪問AdaNet的官方文件,請點選
Graph Nets
Graph Nets是用於構建Sonnet和TensorFlow的DeepMind庫。Graph 網路輸入一個圖形,輸出也是一個圖形。
Maskrcnn-benchmark
Maskrcnn-benchmark專案可以幫助我們在Pytorch中構建物件檢測和分割工具。這個庫的優勢在於速度快、記憶體效率高,可以進行多個GPU訓練和推斷,且為推斷提供CPU支援。
PocketFlow
PocketFlow專案是一個加速和壓縮深度學習模型的框架。它解決了大多數深度學習模型的計算費用問題。該專案最初由騰訊AI實驗室的研究人員開發,瞭解其實現及官方文件請點選這裡。
MAMEToolkit
MAMEToolKit是一個訓練街機遊戲強化學習演算法的庫,使用該工具可以跟蹤遊戲狀態,同時也可以接收遊戲幀資料。
機器學習框架的主要發展
PyTorch 1.0
在今年10月份舉辦的PyTorch會議期間,Facebook釋出了PyTorch 1.0預覽版。PyTorch 1.0解決了以下問題:訓練耗時長、聯網問題、緩慢的可擴充套件性以及Python程式語言帶來的一些不靈活性。
PyTorch 1.0引入了一組編譯工具Torch.jit,這將彌補生產和研究之間的差距。Torch.jit中包含Python中的Torch Script語言,在PyTorch 1.0中,我們可以使用圖形模式構建模型,這在開發高效能和低延遲的應用程式中非常有用。
Auto-Keras
你或許聽過自動化機器學習(automated machine learning),即自動化搜尋機器學習模型的最佳引數。除Auto-Keras之外,還有其他的自動化機器學習模型,比如Google的AutoML。Auto-Keras是基於Keras和ENAS編寫的,其中,ENAS是神經網路結構搜尋的最新版本。
TensorFlow Serving
使用TensorFlow Serving系統,我們能更加輕鬆的將TensorFlow模型部署到生產環境中。雖然TensorFlow Serving在2017年就已經發布,但是今年更加註重將模型應用到生產環境環節。
Machine Learning Javascript
現在已經有一些可以允許開發人員在瀏覽器上執行模型的Javascript框架,比如TensorFlow.js和Keras.js。其模型實現與使用的方法,與Keras或TensorFlow等常規框架非常相似。
展望未來
2019年馬上就要到了,隨著Auto-Keras等自動化工具的發展,開發人員的工作有望變得更加輕鬆。除此以外,我們還擁有先進的研究以及優秀的社群,各類機器學習框架的效能還會更上一層樓。
原文連結
本文為雲棲社群原創內容,未經允許不得轉載。