GitHub星數(shù)最多的Top 10熱門項(xiàng)目

本月的最熱機(jī)器學(xué)習(xí)項(xiàng)目出來(lái)了！Mybridge對(duì)過(guò)去一個(gè)月的近250個(gè)機(jī)器學(xué)習(xí)開源項(xiàng)目進(jìn)行了排名，甄選出GitHub星數(shù)最多的10大熱門項(xiàng)目。開源項(xiàng)目是機(jī)器學(xué)習(xí)研究的寶庫(kù)，你一定能從中找到一個(gè)能啟發(fā)你的有趣項(xiàng)目。

Mybridge對(duì)過(guò)去一個(gè)月的近250個(gè)機(jī)器學(xué)習(xí)開源項(xiàng)目進(jìn)行了排名，甄選出GitHub星數(shù)最多的Top 10熱門項(xiàng)目。

這個(gè)列表中10個(gè)項(xiàng)目的平均GitHub星星數(shù)：1041??

主題包括：DensePose，圖像分類， Mulit-Scale訓(xùn)練，移動(dòng)AI計(jì)算引擎，衛(wèi)星圖像，NLP，Python包，Word detection，NCRF，DALI。

開源項(xiàng)目對(duì)程序員來(lái)說(shuō)是很有幫助的。希望你能從中找到一個(gè)能啟發(fā)你的有趣項(xiàng)目。

No.1：DensePose：密集人體姿態(tài)估計(jì)

DensePose是一種實(shí)時(shí)的方法，可以將所有2D RGB圖像的人體像素映射到身體的3D表面模型。[Github 2901顆星]來(lái)自Facebook的研究

密集人體姿態(tài)估計(jì)（Dense human pose estimation）的目的是將RGB圖像的所有人體像素映射到人體的3D表面。DensePose-RCNN是在Detectron框架中實(shí)現(xiàn)的，使用的是Caffe2。

作者在這個(gè)GitHub存儲(chǔ)庫(kù)中提供了訓(xùn)練和評(píng)估DensePose-RCNN的代碼。同時(shí)還提供了notebook，用于可視化收集的DensePose-COCO數(shù)據(jù)集，并展示與SMPL模型的對(duì)應(yīng)關(guān)系。

DensePose-COCO注釋的可視化

項(xiàng)目地址：

https://github.com/facebookresearch/DensePose

No.2：Darts：卷積網(wǎng)絡(luò)和循環(huán)網(wǎng)絡(luò)的可微分架構(gòu)搜索

[Github 1128顆星]，來(lái)自CMU Hanxiao Liu，Yiming Yang以及DeepMind Karen Simonyan等人的研究。

這個(gè)GitHub庫(kù)提供了他們的論文“DARTS: Differentiable Architecture Search”中的代碼。在這篇論文中，研究者提出通過(guò)以可微分的方式表示任務(wù)來(lái)解決架構(gòu)搜索可擴(kuò)展性的挑戰(zhàn)。該方法基于架構(gòu)表示的連續(xù)松弛（continuous relaxation），允許使用梯度下降來(lái)有效搜索架構(gòu)。

該方法能夠有效地設(shè)計(jì)用于圖像分類的高性能卷積網(wǎng)絡(luò)架構(gòu)（在CIFAR-10和ImageNet上）和用于語(yǔ)言建模的循環(huán)網(wǎng)絡(luò)架構(gòu)（在Penn Treebank和WikiText-2上）， 并且只使用一個(gè)GPU，比最先進(jìn)的非可微分技術(shù)快幾個(gè)數(shù)量級(jí)。

隨時(shí)間推進(jìn)，卷積網(wǎng)絡(luò)架構(gòu)的搜索

隨時(shí)間推進(jìn)，卷積網(wǎng)絡(luò)和神經(jīng)網(wǎng)絡(luò)架構(gòu)的搜索

項(xiàng)目地址：

https://github.com/quark0/darts

No.3：SNIPER：多尺度物體檢測(cè)算法

[Github 1352顆星]

SNIPER是一種高效的多尺度（multi-scale）訓(xùn)練方法，用于實(shí)例級(jí)的識(shí)別任務(wù)，例如目標(biāo)檢測(cè)和實(shí)例級(jí)分割。SNIPER不是在圖像金字塔中處理所有像素，而是有選擇地處理ground truth對(duì)象周圍（也就是芯片）的上下文區(qū)域。這大大加快了在低分辨率芯片上運(yùn)行的多尺度訓(xùn)練。由于其內(nèi)存的設(shè)計(jì)十分高效，SNIPER可以在訓(xùn)練過(guò)程中受益于batch normalization，并且可以在單個(gè)GPU上完成更大batch-sizes 的實(shí)例級(jí)識(shí)別任務(wù)。因此，我們不需要跨GPU同步batch-normalization 數(shù)據(jù)，我們可以訓(xùn)練對(duì)象檢測(cè)器，就像做圖像分類一樣!

項(xiàng)目地址：

https://github.com/mahyarnajibi/SNIPER

No.4：Mace：專為移動(dòng)端異構(gòu)計(jì)算平臺(tái)優(yōu)化的深度學(xué)習(xí)推理框架

[Github 2118顆星]。 來(lái)自小米

Mobile AI Compute Engine (MACE)是小米開源的移動(dòng)端深度學(xué)習(xí)框架，它針對(duì)移動(dòng)芯片特性進(jìn)行了大量?jī)?yōu)化，目前在小米手機(jī)上已廣泛應(yīng)用，如人像模式、場(chǎng)景識(shí)別等。

Mace主要從以下的角度做了專門的優(yōu)化：

性能

代碼經(jīng)過(guò)NEON指令，OpenCL以及Hexagon HVX專門優(yōu)化，并且采用Winograd算法來(lái)進(jìn)行卷積操作的加速。 此外，還對(duì)啟動(dòng)速度進(jìn)行了專門的優(yōu)化。

功耗

支持芯片的功耗管理，例如ARM的big.LITTLE調(diào)度，以及高通Adreno GPU功耗選項(xiàng)。

系統(tǒng)響應(yīng)

支持自動(dòng)拆解長(zhǎng)時(shí)間的OpenCL計(jì)算任務(wù)，來(lái)保證UI渲染任務(wù)能夠做到較好的搶占調(diào)度， 從而保證系統(tǒng)UI的相應(yīng)和用戶體驗(yàn)。

內(nèi)存占用

通過(guò)運(yùn)用內(nèi)存依賴分析技術(shù)，以及內(nèi)存復(fù)用，減少內(nèi)存的占用。另外，保持盡量少的外部 依賴，保證代碼尺寸精簡(jiǎn)。

模型加密與保護(hù)

模型保護(hù)是重要設(shè)計(jì)目標(biāo)之一。支持將模型轉(zhuǎn)換成C++代碼，以及關(guān)鍵常量字符混淆，增加逆向的難度。

硬件支持范圍

支持高通，聯(lián)發(fā)科，以及松果等系列芯片的CPU，GPU與DSP(目前僅支持Hexagon)計(jì)算加速。 同時(shí)支持在具有POSIX接口的系統(tǒng)的CPU上運(yùn)行。

項(xiàng)目地址：

https://github.com/XiaoMi/mace

No. 5：Robosat：用于航空和衛(wèi)星圖像的語(yǔ)義分割工具

[Github 886顆星]。由Salesforce打造

RoboSat是用Python 3編寫的一個(gè)端到端的pipeline，用于從航空?qǐng)D像和衛(wèi)星圖像中提取特征。特征可以是任何視覺上可區(qū)分的東西，例如：建筑物，停車場(chǎng)，道路，或汽車。

RoboSat提供的工具可分為以下幾類：

數(shù)據(jù)準(zhǔn)備：為訓(xùn)練特征提取模型創(chuàng)建數(shù)據(jù)集

訓(xùn)練和建模：用于圖像中特征提取的分割模型

post-processing：將分割結(jié)果轉(zhuǎn)換為簡(jiǎn)潔的幾何圖形

項(xiàng)目地址：

https://github.com/mapbox/robosat

No.6 decaNLP：處理自然語(yǔ)言任務(wù)，一個(gè)頂十個(gè)

[Github 776顆星]

自然語(yǔ)言十項(xiàng)全能（decaNLP）的目標(biāo)是構(gòu)建一個(gè)能夠完成十項(xiàng)自然語(yǔ)言任務(wù)的通用模型，這些任務(wù)包括：問答、機(jī)器翻譯、摘要、自然語(yǔ)言推理、情感分析、語(yǔ)義角色標(biāo)注、關(guān)系抽取、目標(biāo)導(dǎo)向?qū)υ挕⒄Z(yǔ)義分析、常識(shí)代詞消解。每個(gè)任務(wù)都被轉(zhuǎn)換為問答問題，以便使用新的多任務(wù)問題應(yīng)答網(wǎng)絡(luò)（Multitask Question Answering Network，MQAN）。該模型聯(lián)合學(xué)習(xí)decaNLP中的所有任務(wù)，并且在多任務(wù)設(shè)置中不使用任何特定于任務(wù)的模塊或者參數(shù)。

項(xiàng)目地址：

https://github.com/salesforce/decaNLP

No.7 Magnitude：一個(gè)快速、高效的通用矢量嵌入實(shí)用包

[Github 427顆星]

Magnitude是一個(gè)功能豐富的Python包和矢量存儲(chǔ)的文件格式，用于以快速、高效、簡(jiǎn)單的方式使用機(jī)器學(xué)習(xí)模型中的向量嵌入（由Plasticity開發(fā)）。它逐漸成為“輕量版”的Gensim，但卻可以用于NPL之外的領(lǐng)域，作為一種通用的關(guān)鍵向量（key-vector）存儲(chǔ)。

項(xiàng)目地址：

https://github.com/plasticityai/magnitude

No.8 Porcupine：由深度學(xué)習(xí)驅(qū)動(dòng)的設(shè)備喚醒詞檢測(cè)引擎

[Github 373顆星]

Porcupine是一款自助式，高精度，輕量級(jí)的喚醒字檢測(cè)引擎。它使開發(fā)人員能夠構(gòu)建始終監(jiān)聽(always-listening)語(yǔ)音的應(yīng)用程序/平臺(tái)。

自助式：開發(fā)人員有權(quán)在幾秒鐘內(nèi)選擇任何喚醒詞并構(gòu)建其模型。

在現(xiàn)實(shí)場(chǎng)景中用深度神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練

由于它緊湊且計(jì)算效率高，使其適用于物聯(lián)網(wǎng)的應(yīng)用

跨平臺(tái):它是在純定點(diǎn)ANSI C中實(shí)現(xiàn)的。目前支持Raspberry Pi、Android、iOS、watchOS，Linux，Mac和Windows。

可擴(kuò)展性：它可以同時(shí)檢測(cè)數(shù)十個(gè)喚醒詞，幾乎不增加CPU/內(nèi)存占用。

開源：在這個(gè)存儲(chǔ)庫(kù)中找到的任何東西都是Apache 2.0許可的。

項(xiàng)目地址：

https://github.com/Picovoice/Porcupine

No.9 NCRF：神經(jīng)條件隨機(jī)場(chǎng)，檢測(cè)腫瘤轉(zhuǎn)移

[Github 290顆星]

由百度深度學(xué)習(xí)研究院提出，其文章結(jié)構(gòu)如下（附代碼和數(shù)據(jù)）：

NCRF介紹

準(zhǔn)備工作

數(shù)據(jù)介紹

模型介紹

訓(xùn)練

測(cè)試

項(xiàng)目地址：

https://github.com/baidu-research/NCRF

No.10：NVIDIA DALI

這是一個(gè)包含高度優(yōu)化的構(gòu)建模塊和用于深度學(xué)習(xí)應(yīng)用中數(shù)據(jù)預(yù)處理執(zhí)行引擎的庫(kù)。NVIDIA DALI可加速深度學(xué)習(xí)應(yīng)用程序的輸入數(shù)據(jù)預(yù)處理。 DALI 提供加速不同數(shù)據(jù)管道的性能和靈活性，作為一個(gè)單獨(dú)的庫(kù)，可以輕松集成到不同的深度學(xué)習(xí)訓(xùn)練和推理應(yīng)用程序中。

DALI的主要亮點(diǎn)包括：

從磁盤讀取到準(zhǔn)備訓(xùn)練/推理的完整的數(shù)據(jù)流水線；

可配置圖形和自定義操作員的靈活性；

支持圖像分類和分割工作量；

通過(guò)框架插件和開源綁定輕松實(shí)現(xiàn)集成；

具有多種輸入格式的便攜式訓(xùn)練工作流 - JPEG，LMDB，RecordIO，TFRecord；

通過(guò)開源許可證可擴(kuò)展以滿足用戶的特定需求