[استعراض فاز جي الجديدة 2018 يقترب من نهايته، ونحن ننظر إلى الوراء في السنة الماضية، ما هي الأشياء مثيرة للاهتمام في تعلم آلة ديك!
دعونا نلقي نظرة على Mybridge AI في الترتيب من كبار مشروع مفتوح المصدر، ومن ثم الحديث عن تطوير التعلم الآلي، والتي من هذا العام وقد تم أخيرا تستكشف العام الجديد سيكون له ما ينبغي لنا أن نتوقع شيئا.
أعلى مشاريع مفتوحة المصدر
بيرت
بيرت، ودعا التمثيل ثنائي الاتجاه التشفير من المحولات، هي طريقة جديدة لحل معالجة اللغة الطبيعية TensorFlow مقرها، وأداء أفضل. يمكننا استخدام مسبقا تدريبا في نموذج بيرت حل المشكلة، ونموذج لديه مزايا كبيرة في الأداء، على سبيل المثال، يمكن التعرف على سياق الجملة. جيثب تحظى بشعبية كبيرة، وهناك 8848 النجوم والأوراق كاملة يمكن العثور عليها هنا.
https://github.com/google-research/bert
https://arxiv.org/abs/1810.04805
DeepCreamPy
DeepCreamPy هو أداة تعليمية عميقة، يمكنك إعادة بناء منطقة الصورة المراد حذفه كما مثل فوتوشوب. منطقة نستخدم أدوات لتحرير الصور (مثل PS) ستخفض حشو خضراء، يمكن استعادة الشبكة العصبية. النجوم المشروع في جيثب في 6365.
https://github.com/deeppomf/DeepCreamPy
TRFL
ويمكن استخدام العناصر TRFL لكتابة TensorFlow في تعزيز التعلم وكيل، وهذه العملية محددة من الوثيقة هنا.
https://github.com/deepmind
https://github.com/deepmind/trfl/blob/master/docs/index.md
الأفق
الأفق هو عبارة عن مبنى PyTorch منصة تستند تعزيز التعلم، واستخدام Caffe2 تكون نموذجا. الأفق الميزة الرئيسية هي أن المصمم في تصميم منصة، مع مراعاة حالات الاستخدام الإنتاج. لمزيد من المعلومات، يرجى الاطلاع على FacebookResearch الوثائق الرسمية. وبالإضافة إلى ذلك، إذا كنت ترغب في استخدام الأفق، والتي يمكن عرضها باستخدام الوثيقة.
https://github.com/facebookresearch/Horizon؟
https://heartbeat.fritz.ai/introduction-to-pytorch-for-deep-learning-5b437cea90ac
https://github.com/facebookresearch/Horizon/blob/master/docs/usage.md
DeOldify
مكتبة DeOldify دراسة متعمقة لتلوين واستعادة الصورة القديمة. المطورين الجمع بين عدة أساليب مختلفة لتحقيق هذا الهدف، عدة طرق منها: آلية الاهتمام مع (شبكات GenerativeAdversarial-الاهتمام الذاتي) ضد شبكة المولدة ذاتيا، التقدمي زراعة GANS، وTTUR (TwoTime- مقياس تحديث القاعدة).
https://github.com/jantic/DeOldify
https://arxiv.org/abs/1805.08318
https://arxiv.org/abs/1710.10196
https://arxiv.org/abs/1706.08500
AdaNet
ويستند AdaNet TensorFlow مكتبة، ويمكن تلقائيا التعلم نموذج، ولا تتطلب الكثير من الموظفين الفنيين المشاركين في المشروع على أساس AdaNet الخوارزمية. AdaNet الوثائق الرسمية الوصول، يرجى الضغط هنا.
https://github.com/tensorflow/adanet
https://adanet.readthedocs.io/
الرسم البياني نتس
الرسم البياني نتس على المكتبات DeepMind لبناء وTensorFlow من السوناتة. الرسم البياني نمط إدخال الشبكة، وهو نمط هو الإخراج.
https://github.com/deepmind/graph_nets
Maskrcnn-القياسي
مشروع Maskrcnn-معيارا يمكن أن تساعدنا في بناء الكشف عن وجوه وتجزئة أدوات في Pytorch في. ميزة من هذه المكتبة هي أن سرعة عالية وكفاءة الذاكرة، ويمكن الاستدلال على ذلك التدريب وGPU متعددة وحدة المعالجة المركزية لتوفير الدعم للاستدلال.
https://github.com/facebookresearch/maskrcnn-benchmark
PocketFlow
مشروع PocketFlow هو إطار نموذج التعلم تسارع وعمق الضغط. أنه لا يحل المشكلة مع معظم نموذج التعلم التكاليف العمق. وكان المشروع وضعت أصلا من قبل الباحثين تينسنت AI المختبر، لفهم وثائق التنفيذ والرسمية، الرجاء الضغط هنا.
https://github.com/Tencent/PocketFlow
https://pocketflow.github.io/
MAMEToolkit
MAMEToolKit ممر لعبة هي مكتبة التدريب لتعزيز الخوارزمية التعلم، يمكنك استخدام أداة لتتبع حالة اللعبة، ولكن يمكن أيضا الحصول على لعبة الإطار البيانات.
https://github.com/M-J-Murray/MAMEToolkit
في إطار التعلم الجهاز الرئيسي للتنمية
PyTorch 1.0
خلال اجتماع PyTorch الذي عقد في أكتوبر من هذا العام، أطلقت الفيسبوك نسخة المعاينة PyTorch 1.0. PyTorch 1.0 عناوين المسائل التالية: مشاكل التدريب، والتواصل تستغرق وقتا طويلا، والتدرجية بطيئة ولغة البرمجة بايثون لجلب بعض المرونة.
PyTorch 1.0 يدخل مجموعة من أدوات تجميع Torch.jit، والتي من شأنها سد الفجوة بين الإنتاج والبحوث. Torch.jit يحتوي على لغة الشعلة سيناريو في بيثون، في PyTorch 1.0، يمكننا أن نبني نموذجا استخدام الواجهة الرسومية، وهو أمر مفيد في تنمية عالية الأداء والتطبيقات منخفضة الكمون.
لصناعة السيارات في Keras
كنت قد سمعت التعلم الآلي آلة (الآلي تعلم الآلة)، وهذا هو أفضل حجة البحث الآلي نموذج التعلم الآلي. بالإضافة إلى Auto-Keras، وهناك نماذج أخرى آلة التعلم الآلي، مثل AutoML جوجل. ويستند السيارات Keras Keras وENAS على كتب، والتي، ENAS هو أحدث إصدار من العصبية بحث هيكل الشبكة.
https://cloud.google.com/automl/
https://autokeras.com/
https://keras.io/
https://arxiv.org/abs/1802.03268
https://en.wikipedia.org/wiki/Neural_architecture_search
TensorFlow التي تخدم
استخدام TensorFlow نظام خدمة، ونحن يمكن أن يكون أكثر سهولة نشر نموذج TensorFlow في بيئة الإنتاج. وعلى الرغم من الإفراج عن TensorFlow التي تخدم في عام 2017، ولكن هذا العام سوف إيلاء المزيد من الاهتمام للجوانب البيئية للنموذج في عملية الإنتاج.
https://www.tensorflow.org/serving/
آلة التعلم جافا سكريبت
وهناك بالفعل بعض منها قد تسمح للمطورين لتشغيل نموذج إطار جافا سكريبت في المتصفح، مثل TensorFlow.js وKeras.js. تنفيذ نموذجي ومنهجه للاستخدام، إطار التقليدي أو ما شابه Keras TensorFlow مشابهة جدا.
https://js.tensorflow.org/
https://github.com/transcranial/keras-js
وبالنظر إلى المستقبل
2019 قريبا، مع تطور صناعة السيارات في Keras والأدوات الآلية الأخرى، ومن المتوقع أن يعمل أسهل للمطورين. وبالإضافة إلى ذلك، لدينا متقدمة الأوساط البحثية والأداء الممتاز من جميع أنواع إطار التعلم الجهاز سوف يكون على مستوى أعلى.