彻底改变AI和机器学习世界的13个开源项目布加迪评论|孙书娟开源是革命性软件的沃土，尤其是在人工智能和机器学习等前沿领域。开源精神和协作工具使团队更容易共享代码和数据，并在他人成功的基础上进行构建。本文介绍了13个正在重塑人工智能和机器学习世界的开源项目。有些是支持新算法的复杂软件包，有些则比较低调。所有这些都值得注意。一、TensorFlow和PyTorch缺失TensorFlow和PyTorchAI和机器学习开源工具列表不完整。这些框架单独和共同支持机器学习和人工智能领域一些最具实验性和重要的研究。至少本文中讨论的几个项目将它们用作构建块。2.FauxPilot在编程方面需要一点帮助的程序员可以从FauxPilot中受益。该系统在现有的生产代码上进行自我训练，并从中学习到足够的知识来提出有意义的评论和建议。该项目的灵感来自GitHubCopilot，但FauxPilot允许您选择用于训练的代码库。这个额外的控制层可以防止您使用来自可能不批准使用的来源的代码片段。如果您选择培训资源并将它们的使用限制在具有适当许可和许可的人员范围内，那么您使用的编程帮助和代码片段就更有可能是干净可靠的。3.DALL-E了解机器学习模型如何“思考”的最简单方法之一是开始将单词输入DALL-E，这是一个非常大的开放模型，由从网络上收集的图像和文本描述构建而成。输入一个词，DALL-E认为匹配的图像就出来了。DALL-EPlayground和DALL-EMini等开源项目使用户可以更轻松地试验模型。它既是游戏，又是进入AI算法底层的门户。4.YOLOv7实时目标检测（在图像中寻找目标）是人工智能的一个棘手领域。对于需要收集和传达准确环境信息的自动驾驶汽车、机器人和辅助设备等领域，它也至关重要。YOLOv7是最快、最准确的开源对象检测工具之一。只需向该工具提供一堆对象丰富的图像，然后看看接下来会发生什么。5.DeepFaceLabdeepfakes是在深度学习的帮助下创建、修改或合成的视频和图像。最常见的例子是用现有的视频或图像交换名人或政客的脸，通常是为了好玩，但有时是出于更邪恶的目的。DeepFaceLab是一种在Python上运行的开源deepfake技术。除了将一张脸换成另一张脸外，它还可以用来去除皱纹和其他衰老迹象。6.PaddleNLP自然语言处理(NLP)引擎执行神经搜索和情感分析，然后为人类和机器用户提取和呈现信息。虽然有时仍然很笨拙，但该技术已经足够先进，可以用于各种应用程序和领域（Alexa只是一个例子）。PaddleNLP是一个流行的开源NLP库，您可以使用它来收集搜索情绪和标记重要实体。7.MindsDBAI成功的传统途径是将数据存储在数据库中，提取数据，并将其发送给额外的机器学习算法。MindsDB是一个将机器学习算法直接集成到数据库中的SQL服务器。数据库内机器学习（即分析已存储的数据）是加快机器学习工作流程的一种快速有效的方法。8.图像超分辨率（ISR）照片中的细节越多越好，图像超分辨率可以通过提高图像分辨率来添加更多细节。这个开源工具使用机器学习模型，你可以训练它来猜测低分辨率图像中的细节。通过良好的训练集，模型可以生成准确的细节和更清晰的图像。9.DeepPavlov许多企业和大公司正在用聊天机器人取代客服一线员工，这意味着机器正在学习进行对话。DeepPavlov结合了TensorFlow、Keras和PyTorch等基本机器学习工具来创建聊天机器人供您学习。结果有点古怪，但通过正确的训练，有时会产生有用的结果。10.Bledner将3D模型转换为华丽渲染场景的一个好方法是启动Blender。虽然许多人认为Blender是电影制作人和动画师的工具，但它也是应用AI的一个很好的例子。丰富的界面和众多的插件使创建复杂的动态图形或电影场景成为可能。只需要一点创意，奥斯卡提名委员会很快就会打电话来。AI甚至不会要求分享胜利的果实。11.OpenCV探索机器视觉最可靠的基础之一是开源计算机视觉库OpenCV。它包括许多用于识别数字图像中的对象的流行算法，以及专门的例程，例如可以识别和读取汽车牌照的例程。12.RobocodeRobocode就像是你的算法的《饥饿游戏》。这款基于Java的编程游戏让您的坦克与其他坦克战斗，争夺统治地位。这是一种有趣的消遣，甚至可能有助于测试自动驾驶汽车的新策略。原文链接：https://img.ydisp.cn/news/20221104/vvzzkrmehgp
