2018年最值得关注的10个机器学习开源项目

策划编辑 | Vincent

作者 | Derrick Mwiti

译者 | 阿拉丁

编辑 | Vincent

AI 前线导读：在这篇文章中，我们将花一点时间看一下 2018 年机器学习世界中发生的一些有趣的事情。我们列出了 Mybridge 排名的一些顶级开源项目、机器学习框架的主要进展，以及 2019 年还有哪些事情值得期待。

更多优质内容请关注微信公众号“AI 前线”（ID：ai-front）

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

今日荐文