近期 github 机器学习热门项目top5

作者 | Walker

编辑 | 安可

出品 | 磐创AI技术团队

【磐创AI导读】：Github是全球最大的开源代码社区，本文为大家总结了2108年11月最热门的机器学习项目top5。欢迎大家点击上方蓝字关注我们的公众号：磐创AI，获取更多的机器学习、深度学习资源。

本文是近期Github热点项目的汇总，如果你想了解更多优秀的github项目，请关注我们公众号的github系列文章。

推荐 | 7个你最应该知道的机器学习相关github项目

热点 | 六月Github热点项目库总结

热点 | 四月最佳Github项目库与最有趣Reddit热点讨论（文末免费送百G数据集）

No1：Open AI’s Deep Reinforcement Learning Resource（https://github.com/openai/spinningup）

强化学习（RL）是一种机器学习方法，是智能体（agent）以“试错”的方式进行学习，通过与环境进行交互获得的奖赏指导行为，目标是使智能体获得最大的奖赏。深度强化学习是指强化学习与深度学习的结合。

这个开源的OpenAI的强化学习资源库包含各种有用的深度强化学习资源，目的是使强化学习变得更容易学习，受到了广泛的欢迎。包含的具体资源有：

• 强化学习概念、算法种类和基本理论介绍
• 一篇关于如何成长为强化学习研究角色员的文章
• 按主题分类的强化学习经典论文的列表
• 对关键算法实现的代码回放
• 一些热身的上手项目

一切从https://github.com/openai/spinningup开始吧！

No2：NVIDIA’s WaveGlow（https://github.com/NVIDIA/waveglow）

WaveGlow是一个基于流的语音合成网络，能够从梅尔声谱(mel-spectrograms)生成高质量的语音。WaveGlow最初是由瑞安·普林格、拉斐尔·瓦尔和布莱恩·卡坦扎罗在一篇论文中提出的，它结合了Glow和WaveNet的见解，目的是为了提供快速、高效和高质量的音频合成，而不需要自回归。WaveGlow只使用单个网络实现，只使用单个代价函数进行训练：最大化训练数据的可能性，这使得训练过程简单而稳定。

基于PyTorch的实现是在NVIDIA V100 GPU的基础上以，以2750kHz的速率产生的音频样本。据平均评分显示，它提供的音频质量与最好的公开可用的WaveNet一样好。如果您想要深入研究，可以访问音频样本文章以及查看该论文：

https://nv-adlr.github.io/WaveGlow

https://arxiv.org/abs/1811.00002

No3：BERT as a Service（https://github.com/hanxiao/bert-as-service）

上篇文章我们讨论了BERT的PyTorch实现：（https://github.com/codertimo/BERT-pytorch）。我们知道BERT是由Google开发的用于训练语言表示的NLP模型，它运用了网络上大量的公开纯文本数据，并以无监管的方式进行训练。此外，BERT代表了来自变压器的双向编码器表示，是一种训练语言表示的方法。BERT模型的预训练对于每种语言来说都是一次性的过程。

句子编码（Sentence Encoding）是许多自然语言处理应用（如情感分析、文本分类）中所必须的任务，目的是将可变长度的句子表示为固定长度的向量。而本github将围绕句子编码器“bert-as-service”展开讨论，并通过ZeroMQ将其作为服务托管，允许您仅用两行代码将句子映射到固定长度的表示中。

No4：Python Implementation of Google’s ‘Quick Draw’ Game

（https://github.com/1991viet/QuickDraw）

QuickDraw是一款最近非常流行的在线游戏。它是由谷歌开发，其中神经网络试图猜测你在画什么。神经网络会从每幅图画中学习，进而提高了正确猜测涂鸦的能力。此外，开发人员已经根据用户先前绘制的图纸数量建立了一个巨大的数据集。这个开源数据集的地址如下：https://github.com/googlecreativelab/quickdraw-dataset。

现在，我们可以用这个github库在Python中构建自己的QuickDraw游戏。项目中会教我们如何一步一步去实现（https://github.com/1991viet/QuickDraw），基于此代码，我们还可以运行一个应用程序，可以在计算机的摄像头前绘制，也可以在画布上绘制。

No5：Visualizing and Understanding GANs（https://github.com/CSAILVision/gandissect）

GAN Dissection是由麻省理工学院的计算机科学和人工智能实验室的研究人员开创的，是一种独特的可视化和理解生成对抗网络（GAN）神经元的方法。不仅限于此，研究人员还创建了GANPaint来展示GAN Dissection是如何工作的，以了解内部单元如何工作，这将有助于我们通过检查和操纵特定GAN模型的内部神经元来探索其学习内容。

如果对GAN Dissection感兴趣的小伙伴，赶紧点击下面的链接，进入GitHub库直接进入代码练习吧！（https://github.com/CSAILVision/gandissect）