0
| 本文作者： skura | 2019-08-01 15:48 |
雷鋒網(wǎng) AI 科技評(píng)論按，機(jī)器學(xué)習(xí)作為一個(gè)領(lǐng)域，正以驚人的速度發(fā)展。Github 是全世界開(kāi)發(fā)者都在關(guān)注的網(wǎng)站，最高質(zhì)量的代碼被定期發(fā)布在這里。
照片由 Morgan Harper Nichols 發(fā)布在 Unsplash 上
顯然，在機(jī)器學(xué)習(xí)的世界里，不可能跟蹤所有的事情。但是在 Github 上你可以跟蹤所有的項(xiàng)目，Github 對(duì)每個(gè)項(xiàng)目都有 star 評(píng)定?；旧?，如果你為一個(gè) repo 打上 star，那么就表示你對(duì)這個(gè)項(xiàng)目感興趣，并跟蹤你感興趣的 repo。
這樣，star 數(shù)量就可以成為了解最受關(guān)注項(xiàng)目的指標(biāo)之一，讓我們看看 5 個(gè)高評(píng)級(jí)的項(xiàng)目吧。
1.face-recognition——25858★
github 地址：https://github.com/ageitgey/face_recognition
世界上最簡(jiǎn)單的面部識(shí)別工具。它為 python 和命令行提供了一個(gè)應(yīng)用程序編程接口（API）。它對(duì)于識(shí)別和處理圖像中的人臉特別有用。它是使用 dlib 最先進(jìn)的人臉識(shí)別算法構(gòu)建的。深度學(xué)習(xí)模型在「Labeled Faces in the Wild」數(shù)據(jù)集的上的識(shí)別精度為 99.38%。
它還提供了一個(gè)簡(jiǎn)單的人臉識(shí)別命令行工具，這個(gè)工具讓你可以從命令行本身對(duì)文件夾中的圖像進(jìn)行人臉識(shí)別！
你可以用它來(lái)找到圖像中出現(xiàn)的人臉：
import face_recognition
image = face_recognition.load_image_file("your_file.jpg")
face_locations = face_recognition.face_locations(image)
也可以用它來(lái)查找面部特征，了解人的眼睛、鼻子、嘴和下巴的位置和輪廓：
import face_recognition
image = face_recognition.load_image_file("your_file.jpg")
face_landmarks_list = face_recognition.face_landmarks(image)
可以化妝：
可以識(shí)別圖片中的人是誰(shuí)：
import face_recognition
known_image = face_recognition.load_image_file("biden.jpg")
unknown_image = face_recognition.load_image_file("unknown.jpg")
biden_encoding = face_recognition.face_encodings(known_image)[0]
unknown_encoding = face_recognition.face_encodings(unknown_image)[0]
results = face_recognition.compare_faces([biden_encoding], unknown_encoding)
這個(gè)庫(kù)還可以進(jìn)行實(shí)時(shí)人臉識(shí)別
相關(guān)代碼可以點(diǎn)擊以下網(wǎng)址查看：https://github.com/ageitgey/face_recognition/blob/master/examples/facerec_from_webcam_faster.py。
2.fastText by FacebookResearch—18,819★
github 地址：https://github.com/facebookresearch/fastText
fastText 是 Facebook 團(tuán)隊(duì)的一個(gè)開(kāi)源免費(fèi)庫(kù)，用于單詞表達(dá)的高效學(xué)習(xí)。它是輕量級(jí)的，允許用戶(hù)學(xué)習(xí)文本表示和句子分類(lèi)。它在標(biāo)準(zhǔn)的通用硬件上工作。模型甚至可以縮小到在移動(dòng)設(shè)備上使用。
文本分類(lèi)是許多應(yīng)用程序要解決的核心問(wèn)題，如垃圾郵件檢測(cè)、情感分析或智能答案。文本分類(lèi)的目標(biāo)是將文檔（如電子郵件、文章、文本消息、產(chǎn)品評(píng)論等）分配到多個(gè)類(lèi)別。
單詞分類(lèi)示例來(lái)源：alterra.ai
它是對(duì) NLP 愛(ài)好者來(lái)說(shuō)非常有用的資源。
其目錄如下：
1.資源
模型
補(bǔ)充數(shù)據(jù)
問(wèn)答
備忘清單
2.使用要求
3.構(gòu)建 fastText
獲取源碼
使用 make 創(chuàng)建 fastText（推薦）
使用 cmake 創(chuàng)建 fastText
使用 Python 創(chuàng)建 fastText
4.用例
詞表示學(xué)習(xí)
獲取詞匯庫(kù)之外的詞匯向量
文本分類(lèi)
5.完整文檔
6.參考資料
用字信息豐富字向量
有效的文本分類(lèi)技巧
FastText.zip：壓縮文本分類(lèi)模型
7.加入 fastText 社區(qū)
8.證書(shū)
這里面的資源非常豐富。例如，在第一部分——資源里面，有最新的英語(yǔ)單詞向量、在 Wikipedia 和 Crawl 上訓(xùn)練的 157 種語(yǔ)言的詞向量、用于語(yǔ)言識(shí)別和各種監(jiān)督任務(wù)的模型。
后面的部分還介紹了補(bǔ)充數(shù)據(jù)集、常見(jiàn)的問(wèn)題及對(duì)應(yīng)的答案以及這個(gè)工具的使用要求等，解釋非常詳細(xì)，且都附有代碼~
3.awesome-tensorflow—14,424★
項(xiàng)目地址：https://github.com/jtoy/awesome-tensorflow
這是一組幫助你理解和使用 TensorFlow 的資源。Github repo 包含一個(gè)很棒的 TensorFlow 實(shí)驗(yàn)、庫(kù)和項(xiàng)目的管理列表。
TensorFlow 是由 Google 發(fā)布的一個(gè)端到端的開(kāi)源機(jī)器學(xué)習(xí)平臺(tái)。它擁有一個(gè)由工具、庫(kù)和社區(qū)資源組成的綜合生態(tài)系統(tǒng)，使研究人員能夠使用 ML 中最先進(jìn)的技術(shù)。IT 開(kāi)發(fā)人員可以通過(guò)使用它，輕松地構(gòu)建和部署 ML 驅(qū)動(dòng)的應(yīng)用程序。
該資源的目錄如下：
目錄分為：
教程
模型/項(xiàng)目
由 TensorFlow 提供支持
庫(kù)
工具
教學(xué)視頻
論文
博客文章
社區(qū)
圖書(shū)推薦
在第一部分——教程里面，介紹了很多 Tensorflow 的基礎(chǔ)知識(shí)和基本原理、應(yīng)用，包括框架的介紹，代碼示例和案例講解，概念方法講解等，還提供了視頻和詳細(xì)文檔。
后面還推薦了很多項(xiàng)目，書(shū)籍以及優(yōu)秀博文，尤其是學(xué)習(xí)視頻這塊，資源非常詳盡，從 Tensorflow 的安裝到深度學(xué)習(xí)和圖像識(shí)別都進(jìn)行了講解，對(duì)初學(xué)者真的非常友好，感興趣的同學(xué)可以打開(kāi)看看：
TensorFlow Guide 1 - 安裝使用指南
TensorFlow Guide 2 - 第一個(gè)視頻的后續(xù)
TensorFlow Basic Usage - 基本用法介紹指南
TensorFlow Deep MNIST for Experts - 理解 Deep MNIST
TensorFlow Udacity Deep Learning - 在擁有 1 GB 數(shù)據(jù)的 Cloud 9 上在線(xiàn)免費(fèi)安裝 Tensorflow 的方法
Why Google wants everyone to have access to TensorFlow - 谷歌為什么希望所有人都能訪(fǎng)問(wèn) Tensorflow
Stanford CS224d Lecture 7 - Introduction to TensorFlow - Richard Socher 在Stanford 的演講，關(guān)于自然語(yǔ)言處理和深度學(xué)習(xí)
Diving into Machine Learning through TensorFlow - Pycon 2016 Portland Oregon, Slide & Code by Julia Ferraioli, Amy Unruh, Eli Bixby
Large Scale Deep Learning with TensorFlow - Jeff Dean 的視頻
Tensorflow and deep learning - without at PhD - by Martin G?rner
Tensorflow and deep learning - without at PhD, Part 2 (Google Cloud Next '17) - by Martin G?rner
Image recognition in Go using TensorFlow - by Alex Pliutau
4.predictionio by Apache—11852 ★
github 地址：https://github.com/apache/predictionio
ApachePredictionIO 是一個(gè)面向開(kāi)發(fā)人員、數(shù)據(jù)科學(xué)家和最終用戶(hù)的開(kāi)源機(jī)器學(xué)習(xí)框架。用戶(hù)可以使用這個(gè)框架來(lái)構(gòu)建、部署和測(cè)試真實(shí)的 ML 應(yīng)用程序。
它甚至支持事件收集、評(píng)估和查詢(xún)預(yù)測(cè)結(jié)果。它是基于 Hadoop、HBase 等可擴(kuò)展的開(kāi)源服務(wù)的。
就機(jī)器學(xué)習(xí)領(lǐng)域而言，它減輕了開(kāi)發(fā)人員的負(fù)擔(dān)。
在這個(gè) repo 里面，對(duì) ApachePredictionIO 的安裝、如何快速開(kāi)始、如何解決錯(cuò)誤、相關(guān)文檔以及社區(qū)等等都進(jìn)行了說(shuō)明：
目錄如下：
安裝（安裝 Apache PredictionIO 的兩種方式）
快速開(kāi)始（快速的入門(mén)指南）
bug 和功能請(qǐng)求（如何報(bào)告錯(cuò)誤、請(qǐng)求新功能）
文檔（項(xiàng)目有關(guān)文檔）
貢獻(xiàn)（可以提交自己的修改）
社區(qū)（訂閱、跟蹤相關(guān)新聞）
這個(gè)工具的網(wǎng)站打開(kāi)界面如下：
左側(cè)詳細(xì)地解釋了工具的使用方法，比如，打開(kāi)「Installing Apache PredictionIO」，可以看到很詳細(xì)的安裝教程：
如果你想開(kāi)始使用它，可以點(diǎn)擊這個(gè)網(wǎng)址：http://predictionio.apache.org/
5.Style2Paints—9184 ★
github 地址：https://github.com/style2paints
網(wǎng)站：https://style2paints.github.io/
twitter 地址：https://twitter.com/IlIIlIIIllIllII
這個(gè) repo 與上述所有 repo 略有不同，因?yàn)樗捎谌鄙儋Y金而被關(guān)閉了！這是一個(gè)非常有趣的概念，用人工智能來(lái)給圖像上色。
他們聲稱(chēng)，Style2paints V4 是當(dāng)前最佳的人工智能驅(qū)動(dòng)線(xiàn)條藝術(shù)著色工具。
他們還談到，Style2Paints 不同于以前的端到端、圖像到圖像的翻譯方法，因?yàn)樗堑谝粋€(gè)在現(xiàn)實(shí)人類(lèi)工作流程中對(duì)線(xiàn)條藝術(shù)進(jìn)行著色的系統(tǒng)。大多數(shù)人類(lèi)藝術(shù)家都熟悉這個(gè)工作流程。
打開(kāi)網(wǎng)站，可以看到上面有很詳細(xì)的圖文告訴大家如何去使用這個(gè)工具。你可以控制渲染模式，還可以選擇細(xì)心和粗心模式，保存進(jìn)度。當(dāng)然，上面還有關(guān)于常見(jiàn)問(wèn)題的解答。
Style2Paints V4 非常的好用！任何人都能在十分鐘內(nèi)學(xué)會(huì)！首先你需要下載一張線(xiàn)稿，在工具上保存、上傳之后，再選擇自己喜歡的人工智能畫(huà)師，就可以對(duì)上傳的線(xiàn)稿進(jìn)行渲染了。
在最新版本里面，還有careful mode （細(xì)心模式） 和 careless mode （粗心模式）。在細(xì)心模式 （careful mode）中，人工智能會(huì)細(xì)心的涂抹平滑，精細(xì)的顏色。但是這個(gè)模式下的人工智能會(huì)限制自我的發(fā)揮來(lái)迎合人類(lèi)。在粗心模式 （careless mode）中，人工智能會(huì)自己發(fā)揮，但是可能細(xì)節(jié)上會(huì)出現(xiàn)丟失。同時(shí)可能人工智能會(huì)反抗你的提示。
sketching -> color filling/flattening -> gradients/details adding -> shading
Style2Paints 是根據(jù)上面的流程設(shè)計(jì)的。這樣的流只需單擊 2 次，就可以從最左邊的圖像生成中間圖像。
只需再點(diǎn)擊 4 次，你就可以得到下圖：
互聯(lián)網(wǎng)就像是海洋，機(jī)器學(xué)習(xí)就像是流入其中的河流。github 上的 star 是對(duì)這條寶河進(jìn)行篩選的一個(gè)很好的度量標(biāo)準(zhǔn)。
via：https://towardsdatascience.com/highest-rated-ml-projects-on-github-694486293512
雷鋒網(wǎng)雷鋒網(wǎng)
雷峰網(wǎng)版權(quán)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見(jiàn)轉(zhuǎn)載須知。
