2018年最有用的6个机器学习项目，你用过几个？

　　在过去的一年中，机器学习许多新的高影响力应用被发现并被揭示，特别是在医疗保健、金融、语音识别、增强现实和更复杂的3D和视频应用中。来看看过去一年中前6个最实用的ML项目。

Fast.ai

Fast.ai库的编写是为了使用现代最佳实践简化快速准确的神经网络培训。它抽象出了在实践中实施深度神经网络可能带来的所有细节工作。它非常易于使用，并且设计有从业者的应用程序构建思维模式。最初是为Fast.ai课程的学生创建的，该库以简洁易懂的方式编写在易于使用的Pytorch库之上。

网址：

https://github.com/fastai/fastai

Detectron

Detectron是Facebook AI用于物体检测和实例分割研究的研究平台，用Caffe2编写。它包含各种对象检测算法的实现，包括：

Mask R-CNN: ：使用更快的R-CNN结构的对象检测和实例分割

RetinaNet：一个基于特征金字塔的网络，具有独特的Focal Loss来处理难题

Faster R-CNN:：对象检测网络最常见的结构

网址：

https://github.com/facebookresearch/Detectron

FastText

另一个来自Facebook的研究，fastText库专为文本表示和分类而设计。它配备了预先训练的150多种语言的单词向量模型。这些单词向量可用于许多任务，包括文本分类，摘要和翻译。

网址：

https://github.com/facebookresearch/fastText

AutoKeras

Auto-Keras是一个用于自动机器学习(AutoML)的开源软件库。它由Texas A&M大学的DATA实验室和社区贡献者开发。AutoML的最终目标是为具有有限数据科学或机器学习背景的领域专家提供易于访问的深度学习工具。Auto-Keras提供自动搜索深度学习模型的最佳架构和超参数的功能。

网址：

https://github.com/jhfjhfj1/autokeras

Dopamine

Dopamine是由Google创建的强化学习算法快速原型设计的研究框架。它旨在灵活且易于使用，实现标准RL算法、指标和基准。

根据Dopamine的文档，他们的设计原则是：

简单的实验：帮助新用户运行基准实验

灵活的开发：为新用户提供新的创新想法

紧凑和可靠：为一些较旧和更流行的算法提供实现

可重复性：确保结果是可重复

网址：

https://github.com/google/dopamine

vid2vid

vid2vid项目是Nvidia最先进的视频到视频合成算法的公共Pytorch实现。视频到视频合成的目标是学习从输入源视频(例如，一系列语义分割掩模)到精确描绘源视频内容的输出照片拟真视频的映射函数。

这个库的好处在于它的选择：它提供了几种不同的vid2vid应用程序，包括自动驾驶/城市场景，人脸和人体姿势。它还附带了丰富的指令和功能，包括数据集加载、任务评估、培训功能和多GPU!

网址：

https://github.com/NVIDIA/vid2vid