关于人工智能的开源项目。我相信开发人员已经看到了很多。Github上也有很多资源。不过，笔者今天要说的并不是来自Github，而是来自技术“大厂”谷歌发布的一些涉及机器学习、深度学习、神经网络等的优质人工智能开源项目，并且仔细挑选了其中的一些供大家学习。下面我们一起来看看吧。1.AdaNet：用于自主学习的快速灵活的AutoML。AdaNet是一个基于TensorFlow的轻量级框架，可以在最少的专家干预下自动学习高质量模型。它使用像Cortes这样的AdaNet算法。2017年将学习神经网络作为子网络整体的结构。重要的是，AdaNet提供了一个通用框架，不仅可以用于学习神经网络架构，还可以用于学习集成以获得更好的模型。2.AutoMLVideoOn-Device：使用AutoML视频训练对象检测移动序列模型进行推理。此示例代码展示了如何加载GoogleCloudAutoMLVideoObjectTracking设备上模型并对视频剪辑中的一系列图像执行推理。目标设备是CPU和EdgeTPU。3.Budou：中文、日文和韩文(CJK)语言的自动换行工具。Budou自动将CJK句子转换为有组织的HTML代码，其中包含有意义的块，可在网络上使用漂亮的字体。4.BulletPhysicsSDK：用于VR、游戏、视觉效果、机器人、机器学习等的实时碰撞检测和多物理模拟。BulletPhysicsSDK是一个用可移植的C++编写的专业开源库。这个库主要用于游戏、视觉效果和机器人模拟等。这个库在zlib许可下可免费用于商业用途。pybullet是一个易于使用的Python模块，用于物理模拟、机器人和机器学习。使用pybullet，您可以加载URDF、SDF和其他文件格式的关节体。pybullet提供正向动力学模拟、逆向动力学计算、正向和反向运动学以及碰撞检测和射线相交查询。除了物理模拟，pybullet还支持渲染、CPU渲染器和OpenGL可视化以及对虚拟现实耳机的支持。5.CausalImpact：一个统计库，用于估计设计的干预措施对时间序列的因果影响。CausalImpactR包实现了一种方法，用于估计设计干预对时间序列的因果影响。例如，一项活动每天产生多少次额外点击？当无法进行随机实验时，很难回答这样的问题。该软件包旨在使用结构贝叶斯时间序列模型来解决这一难题，以估计干预指标在干预未发生后可能如何演变。6.DarwinNeuroevolutionFramework：神经进化和进化算法框架。Darwin是一个旨在使神经进化实验变得简单、快速和有趣的框架。它提供了构建块、示例和工具，可避免研究新想法所需的重复（并且可能很复杂）脚手架。7.DeepMindLab：一个可定制的3D平台，用于基于代理的AI研究。DeepMindLab是一个第一人称3D游戏平台，旨在研究和开发通用人工智能和机器学习系统。它提供了一组具有挑战性的导航和解谜任务，这些任务对于深度强化学习特别有用。其简单灵活的API支持创新任务设计和新颖AI设计的探索和快速迭代。8.多巴胺：强化学习算法的快速原型研究框架。Dopamine是一个基于TensorFlow的研究框架，用于快速学习原型强化学习算法。它旨在满足对小型、易于处理的代码库的需求，用户可以在其中自由地尝试疯狂的想法（推测性研究）。9.gemmlowp：低精度矩阵乘法。gemmlowp是一个用于乘法矩阵的库，其条目被量化为8位整数。用于移动神经网络应用，得到Intel和ARM的大力支持，保证了其在各种移动CPU上的高效性。10.GenerativeMLOnCloud：一种基于云的工具，可帮助生成机器学习和合成图像。端到端系统设计允许用户拥有自定义图像数据集，以在CloudML上训练变分自动编码器生成对抗网络(VAE-GAN)模型。在这里，模型被部署到云端，用户可以输入嵌入以从他们的数据集生成合成图像，或输入图像以获得嵌入向量。该工具使用谷歌云机器学习API和TensorFlow。11.GraphDistillation：用于运动检测的图蒸馏。在这项工作中，我们提出了一种称为“图蒸馏”的方法，该方法结合了源域中大型多模态数据集的丰富特权信息，并改善了训练数据和模态的不足。在目标领域学习。12.Kubeflow：Kubernetes的机器学习工具包。Kubeflow项目致力于使机器学习(ML)工作流在Kubernetes上的部署变得简单、可移植和可扩展。我们的目标不是重新创建其他服务，而是提供一种直接的方法来将ML的一流操作系统系统部署到各种基础设施。在任何运行Kubernetes的地方，您都应该能够运行Kubeflow。13.Magenta：借助机器智能制作音乐和艺术。Magenta是一个研究项目，旨在探索机器学习在艺术和音乐创作过程中的作用。首先，这涉及开发新的深度学习和强化学习算法来生成歌曲、图像、图画和其他材料。但它也是对构建智能工具和界面的探索，允许艺术家和音乐家使用这些模型来扩展（而不是取代！）他们的过程。14.MentorNet：使用噪声数据进行深度学习。此示例代码展示了如何加载GoogleCloudAutoMLVideoObjectTracking设备上模型并对视频剪辑中的一系列图像执行推理。目标设备是CPU和EdgeTPU。15.TensorFlowPlayground：浏览器在神经网络中的可视化交互。TensorFlowPlayground使用d3.js以typescript编写神经网络的交互式可视化。它包含一个微型神经网络库，可以满足这种教育可视化的要求。用户可以模拟小型神经网络并在浏览器中实时查看结果。这15个项目全部来自谷歌开源开源项目，对于开发者来说无疑是一座宝库。此外，借助这些开源免费资源，开发者还可以通过TitaniumAIX实践和开发自己的人工智能原型产品。TitaniumAIX迷你电脑支持语音交互和视觉识别，内置英特尔MovidiusMyraidX计算加速芯片，全球最流行的开源硬件树莓派，以及多种传感技术。AIX大大降低了AI学习和开发的门槛，帮助AI爱好者和开发者快速构建可听、可说、可看的AI应用和解决方案。
