机器学习与开源框架学习（Top10机器学习开源项目发布）
机器学习与开源框架学习（Top10机器学习开源项目发布）GitHub地址：github/posenhuang/NPMT作者：Posenhuang等（微软研究院）这份Top10名单中包括对象检测、换脸、预测等等最热的AI明星、话题性研究和代码。它们在GitHub上的平均标星数量是2500多颗。希望这10大开源项目，对你有所帮助~NPMT
原作：Mybridge
问耕 补充整理
量子位 出品 | 公众号 QbitAI
从将近250个机器学习开源项目中，综合各种条件进行打分排序，最终Mybridge团队评选出十大最新、最棒的机器学习开源项目。
这份Top10名单中包括对象检测、换脸、预测等等最热的AI明星、话题性研究和代码。它们在GitHub上的平均标星数量是2500多颗。
希望这10大开源项目，对你有所帮助~
Rank 10NPMT
作者：Posenhuang等（微软研究院）
GitHub地址：github/posenhuang/NPMT
★Star：68
NPMT，基于短语的神经机器翻译，这是一项来自微软研究院团队的研究。这个机器翻译领域的新突破，没有使用任何注意力机制。
这个方法通过Sleep-WAke网络（SWAN）明确地建模输出序列中的短语结构。SWAN是一种基于分割的序列模型方法。
NPMT的源代码基于Torch中的fairseq工具箱建立。fairseq是Facebook AI研究院开源的序列到序列工具箱，这个方法使用卷积神经网络来做语言翻译，比循环神经网络提速9倍。
Rank 9Deep-neuroevolution
作者：Uber AI实验室
GitHub地址：github/uber-common/deep-neuroevolution
★Star：392
这是共享出行巨头Uber开源的算法，他们此前集中发布了5篇论文，支持一种正在兴起的认识：通过用进化算法来优化神经网络的神经进化（neuroevolution）也是为强化学习（RL）训练深度神经网络的一种有效方法。
量子位也有过详细报道《深度神经进化大有可为？Uber详解如何用它优化强化学习 | 5篇论文》
而这次GitHub中公布的代码，包括以下算法的分布式实现：
1、Deep Neuroevolution: Genetic Algorithms Are a Competitive Alternative for Training Deep Neural Networks for Reinforcement Learning
论文地址：arxiv/abs/1712.06567
2、Improving Exploration in Evolution Strategies for Deep Reinforcement Learning via a Population of Novelty-Seeking Agents
论文地址：arxiv/abs/1712.06560
这些代码基于OpenAI此前公布的源代码和论文。
Simple
作者：chrisstroemel
GitHub地址：github/chrisstroemel/Simple
★Star：235
Simple是贝叶斯优化的更具可扩展性的替代方法。像贝叶斯优化一样，它的样本效率很高，能用尽可能少的样本收敛到全局最优。
对于典型的优化工作负载，贝叶斯优化消耗的CPU时间以分钟计，而Simple使用的CPU时间以毫秒计。如下图所示：
DeepJ
作者：Henry Mao等（加州大学圣迭戈分校）
GitHub地址：github/calclavia/DeepJ
★Star：313
DeepJ是一种端到端生成模型，能够以特定的混合风格来实时创作钢琴曲。这个算法能够生成可以调整参数的音乐，这种可调整的属性，能为艺术家、电影制作人、作曲家等带来实际的帮助。
使用这套代码需要Python 3.5。
访问下面的Demo地址，可玩、可感受，亦可当背景音听。
Demo地址：deepj.ai/
Psychlab
作者：Charles Beattie等（DeepMind）
GitHub地址：github/deepmind/lab/tree/master/game_scripts/levels/contributed/psychlab
★Star：4774
Psychlab，DeepMind为AI开设的心理学实验室。
其实就是个第一人称视角3D游戏世界，这个心理学实验室当然也是个模拟环境，研究对象是其中的深度强化学习智能体（Agents）。Psychlab能够实现传统实验室中的经典心理学实验，让这些本来用来研究人类心理的实验，也可以用在AI智能体上。
智能体在这个实验室里还能干什么呢？DeepMind自己在论文中展示了8种任务。详情可以点击这里，查看量子位之前的详细报道《嗯？DeepMind开了个心理学实验室》。
Dm_control
作者：DeepMind
GitHub地址：github/deepmind/dm_control
★Star：882
火遍全球的AlphaGo让我们知道了强化学习打游戏究竟有多6，这么强大的算法什么时候才能打破次元壁，走进现实、控制物理世界中的物体呢？
DeepMind已经开始往这方面努力。他们此前发布的控制套件“DeepMind Control Suite”，就为设计和比较用来控制物理世界的强化学习算法开了个头。
Control Suite设计了一组有着标准化结构、可解释奖励的连续控制任务，还为强化学习Agent提供一组性能测试指标。
Control Suite中的任务可以分为14个领域，也就是14类物理模型，上排从左到右分别是：
体操机器人Acrobot，（两节钟摆）、杯中小球、倒立摆、猎豹形机器人、手指、鱼、单足跳跃机器人，下排从左到右分别是人形机器人、机械手、钟摆、质点、形似两节手臂的Reacher、游泳机器人、步行者。
Rank 4Lime
作者：Marco Ribeiro等（华盛顿大学）
GitHub地址：github/marcotcr/lime
★Star：3148
在这次的Top10项目中，这个算是“老资格”了。主要基于KDD2016上发表的论文：《“为什么我应该相信你？”解释任何分类器的预测》。
这个研究提出了局部可理解的与模型无关的解释技术(Local Interpretable Model-Agnostic Explanations: LIME），一种用于解释任何机器学习分类器的预测的技术，并在多种与信任相关的任务中评估了它的可用性。
下面这段视频，是一个更直观的解释。
Gradient-checkpointing
作者：OpenAI
GitHub地址：github/openai/gradient-checkpointing
★Star：1107
GPU内存太小可能是神经网络训练过程中最大的拦路虎。
不怕，用这个OpenAI推出的gradient-checkpointing工具程序包，对于前馈模型来说，仅仅需要增加20%的计算时间，就能让GPU处理十倍大的模型。
这个工具包的开发者是OpenAI的研究科学家Tim Salimans和前Google Brain工程师的数据科学家Yaroslav Bulatov。
这个工具包使用了“用亚线性的存储成本训练神经网络”的技术，为简单的前馈网络提供了等价的内存存储，同时能为一般的神经网络节省内存，比如多层架构。
详细内容，可见之前量子位的报道。
FaceSwap
作者：Hidde Jansen
GitHub地址：github/deepfakes/faceswap
★Star：3629
最近Deepfakes在AI、AV两届掀起轩然大波。简单的说，就是AI可以帮你给AV小片换脸，替换成任何你想看的明星。
量子位在两篇报道中，对此都有介绍：《不可描述，技术进步》、《艾玛不哭！AI引起的“换脸”问题，AI正在解决》。
而FaceSwap是一个基于deepfakes的非官方开源项目。
Detectron
作者：Facebook AI研究院
GitHub地址：github/facebookresearch/Detectron
★Star：11248
这个应该是当之无愧的第一吧。
Detectron是Facebook的物体检测平台，今年初宣布开源，它基于Caffe2，用Python写成，这次开放的代码中就包含了Mask R-CNN的实现。
除此之外，Detectron还包含了ICCV 2017最佳学生论文RetinaNet，Ross Girshick（RBG）此前的研究Faster R-CNN和RPN、Fast R-CNN、以及R-FCN的实现。
量子位在此前的报道中也有过详细的介绍：《Mask R-CNN源代码终于来了，还有它背后的物体检测平台》。
据说好多人一直在苦等这个~
就酱~
— 完 —
诚挚招聘
量子位正在招募编辑/记者，工作地点在北京中关村。期待有才气、有热情的同学加入我们！相关细节，请在量子位公众号(QbitAI)对话界面，回复“招聘”两个字。
量子位 QbitAI · 头条号签约作者
վ'ᴗ' ի 追踪AI技术和产品新动态
