顶级开源项目

先让我们看看今年的一些顶级开源项目。

BERT

BERT是Bidirectional Encoder Representations from Transformer的缩写，一种解决自然语言处理问题的新方法，可以获得最先进的处理结果。它是基于TensorFlow的，开发人员可以使用预先训练的模型来解决问题。BERT模型比其他模型具有很大的优势，因为它们可以识别句子的上下文。这个项目目前在Github上有8841个star和1560个fork。

BERT项目地址：

https://github.com/google-research/bert

论文：

https://arxiv.org/abs/1810.04805

DeepCreamPy

这是一个深度学习工具，可以像图像编辑工具一样重建图像缺失的区域。用户使用图像编辑工具将图像的缺失区域绘成绿色，神经网络则负责给这些区域填充内容。这个项目目前在GitHub上有6365个star和613个fork。

项目地址：

https://github.com/deeppomf/DeepCreamPy

TRFL

TRFL的发音与truffle（松露）相同，可以基于TensorFlow开发强化学习代理。

项目地址：

https://github.com/deepmind

Horizon

Horizon是一个用于应用强化学习的平台。Horizon使用PyTorch构建，并使用Caffe2来提供模型服务。Horizon的一个主要优势是在设计时就考虑到了生产环境的使用场景。

项目地址：

https://github.com/facebookresearch/Horizon

DeOldify

DeOldify，顾名思义，是一个深度学习库，用于恢复老照片，并给它们着色。库的作者结合了几种方法来实现这一目的，比如Self-Attention Generative Adversarial Networks（https://arxiv.org/abs/1805.08318）、Progressive Growing of GANs（https://arxiv.org/abs/1710.10196），以及Two Time-Scale Update Rule（https://arxiv.org/abs/1706.08500）。

项目地址：

https://github.com/jantic/DeOldify

AdaNet

AdaNet是一个基于TensorFlow的库，可以自动学习模型而无需大量专家干预。这个项目基于AdaNet算法（http://proceedings.mlr.press/v70/cortes17a.html）。

项目地址：

https://github.com/tensorflow/adanet

Graph Nets

Graph Nets是DeepMind推出的一个库，用于在Sonnet和TensorFlow中构建图网络。图网络将图作为输入，并返回图作为输出。

项目地址：

https://github.com/deepmind/graph_nets

Maskrcnn-benchmark

在使用PyTorch构建对象检测和分割工具时，这个项目可以帮上忙。这个库的优点是速度快、内存占用低、多GPU训练和推理，并为推理提供CPU支持。

项目地址：

https://github.com/facebookresearch/maskrcnn-benchmark

PocketFlow

PocketFlow是一个加速和压缩深度学习模型的框架。它解决了大多数深度学习模型的高计算成本问题。它最初由腾讯AI实验室的研究人员开发。

项目地址：

https://github.com/Tencent/PocketFlow

MAMEToolkit

MAMEToolKit是一个用于训练街机游戏强化学习算法的库。这个工具包可以在跟踪游戏状态的同时接收游戏帧数据。

项目地址：

https://github.com/M-J-Murray/MAMEToolkit

ML框架的主要进展

现在让我们来看一下主要机器学习框架的一些进展。

PyTorch 1.0

在10月份的PyTorch大会期间，Facebook发布了PyTorch 1.0预览版。新版本将解决以下一些挑战：耗时的训练、大量的网络、缓慢的规模扩展以及Python编程语言带来的一些不灵活性。

新版本引入了一组编译器工具（Torch.jit），它们将弥合生产阶段和研究阶段之间的差距。Torch.jit包含了一门称为Torch Script的语言，它是Python的一个子集。模型可以从eager模式转到graph模式。这对于开发高性能和低延迟的应用程序来说非常有用。

Auto-Keras

你可能已经听说过自动机器学习这个概念。从本质上讲，就是自动搜索机器学习模型的最佳参数。其他自动化ML框架还包括谷歌的AutoML。Auto-Keras是使用Keras和ENAS（神经架构搜索的最新版本）开发的。

TensorFlow Serving

TensorFlow Serving是一个使TensorFlow模型更容易部署到生产环境的系统。TensorFlow Serving是在2017年发布的，在部署模型到生产环境方面，它已经帮助开发人员简化了大量工作。

机器学习Javascript

有一些Javascript框架允许开发人员在浏览器上运行机器学习模型。这些框架包括TensorFlow.js和Keras.js。这些模型的实现与使用Keras或TensorFlow等常规框架非常相似。

展望未来

2019年，随着Auto-Keras等自动化工具的进步，我们可以期待开发人员的工作变得更轻松。随着研究的进展和开源社区的贡献，我们还可以期待各种机器学习框架的性能得到提升。

英文原文：

https://heartbeat.fritz.ai/2018-year-in-review-machine-learning-open-source-projects-frameworks-430df2fe18cd

创作场景

2018 年最值得关注的 10 个机器学习开源项目