學(xué)號：20021110074? ? ?電院? ? 姓名：梁雪玲
轉(zhuǎn)載自：https://blog.csdn.net/qq_28168421/article/details/101088174
【嵌牛導(dǎo)讀】：機器學(xué)習(xí)目前的研究進展如火如荼，你是否不知該如何下手實踐呢囱嫩？不要慌恃疯，本文帶你領(lǐng)略最頂尖的機器學(xué)習(xí)項目。
【嵌牛鼻子】：GitHub機器學(xué)習(xí)項目墨闲，NLP今妄，大數(shù)據(jù)，計算機視覺
【嵌牛提問】：如何跟上機器學(xué)習(xí)的步伐鸳碧？該著手哪些項目盾鳞？找工作需要具備的實戰(zhàn)經(jīng)驗？
【嵌牛正文】：
本文將會分享近期發(fā)布的七大GitHub機器學(xué)習(xí)項目瞻离。這些項目廣泛覆蓋了機器學(xué)習(xí)的各個領(lǐng)域腾仅，包括自然語言處理（NLP）、計算機視覺套利、大數(shù)據(jù)等推励。
最頂尖的Github機器學(xué)習(xí)項目
1. PyTorch-Transformers（NLP）
傳送門：?https://github.com/huggingface/pytorch-transformers
自然語言處理(NLP)的力量令人嘆服。NLP改變了文本的處理方式肉迫，幾乎到了無法用語言描述的程度验辞。
在最先進的一系列NLP庫中，PyTorch-Transformers出現(xiàn)最晚喊衫，卻已打破各種NLP任務(wù)中已有的一切基準(zhǔn)跌造。它最吸引人的地方在于涵蓋了PyTorch實現(xiàn)、預(yù)訓(xùn)練模型權(quán)重及其他重要元素族购，可以幫助用戶快速入門鼻听。
運行最先進的模型需要龐大的計算能力诵竭。PyTorch-Transformers在很大程度上解決了這個問題谭跨，它能夠幫助這類人群建立起最先進的NLP模型凭豪。
這里有幾篇深度剖析PyTorch-Transformers的文章仿耽，可以幫助用戶了解這一模型（及NLP中預(yù)訓(xùn)練模型的概念）：
·?PyTorch-Transformers：一款可處理最先進NLP的驚人模型庫（使用Python）
https://www.analyticsvidhya.com/blog/2019/07/pytorch-transformers-nlp-python/?utm_source=blog&utm_medium=7-innovative-machine-learning-github-projects-in-python
· 8個入門NLP最優(yōu)秀的預(yù)訓(xùn)練模型
https://www.analyticsvidhya.com/blog/2019/03/pretrained-models-get-started-nlp/?utm_source=blog&utm_medium=7-innovative-machine-learning-github-projects-in-python
· PyTorch——一個簡單而強大的深度學(xué)習(xí)庫
https://www.analyticsvidhya.com/blog/2018/02/pytorch-tutorial/?utm_source=blog&utm_medium=7-innovative-machine-learning-github-projects-in-python
2. NeuralClassifier (NLP)
傳送門：?https://github.com/Tencent/NeuralNLP-NeuralClassifier
在現(xiàn)實世界中饼拍，文本數(shù)據(jù)的多標(biāo)簽分類是一個巨大的挑戰(zhàn)衩匣。早期面對NLP問題時圈盔，我們通常處理的是單一標(biāo)簽任務(wù)驼壶，但在真實生活中卻遠不是這么簡單。
在多標(biāo)簽分類問題中亿卤，實例/記錄具備多個標(biāo)簽愤兵，且每個實例的標(biāo)簽數(shù)量并不固定。
NeuralClassifier使我們能夠在多層排吴、多標(biāo)簽分類任務(wù)中快速實現(xiàn)神經(jīng)模型秆乳。我最喜歡的是NeuralClassifier，提供了各種大眾熟知的文本編碼器钻哩，例如FastText屹堰、RCNN、Transformer等等街氢。
用NeuralClassifier可以執(zhí)行以下分類任務(wù)：
·?雙層文本分類
·?多層文本分類
·?多標(biāo)簽文本分類
·?多層（多標(biāo)簽）文本分類
以下兩篇優(yōu)秀的文章介紹了究竟什么是多標(biāo)簽分類扯键，以及如何在Python中執(zhí)行多標(biāo)簽分類：
·?使用NLP預(yù)測電影類型——多標(biāo)簽分類的精彩介紹
https://www.analyticsvidhya.com/blog/2019/04/predicting-movie-genres-nlp-multi-label-classification/?utm_source=blog&utm_medium=7-innovative-machine-learning-github-projects-in-python
·?使用Python構(gòu)建你的第一個多標(biāo)簽圖像分類模型
https://www.analyticsvidhya.com/blog/2019/04/build-first-multi-label-image-classification-model-python/?utm_source=blog&utm_medium=7-innovative-machine-learning-github-projects-in-python
3. TDEngine (大數(shù)據(jù))
傳送門：?https://github.com/taosdata/TDengine
TDEngine數(shù)據(jù)庫在幾乎不到一個月的時間內(nèi)就累積了近10,000個star。繼續(xù)往下讀珊肃，你立馬就能明白這是為何荣刑。
TDEngine是一個開源大數(shù)據(jù)平臺，針對：
·?物聯(lián)網(wǎng)（IoT）
·?車聯(lián)網(wǎng)
·?工業(yè)物聯(lián)網(wǎng)
·?IT基礎(chǔ)架構(gòu)等等
本質(zhì)上伦乔，TDEngine提供了一整套與數(shù)據(jù)工程相關(guān)的任務(wù)厉亏，用戶可以用極快的速度完成所有這些工作（查詢處理速度將提高10倍，計算使用率將降低到1/5）烈和。
目前有一點需要注意——TDEngine僅支持在Linux上執(zhí)行爱只。TDEngine數(shù)據(jù)庫包含完整的文件資料以及包含代碼的入門指南。
建議你閱讀這一篇針對數(shù)據(jù)工程師的綜合資源指南：
·?想成為數(shù)據(jù)工程師斥杜？這里列出了入門應(yīng)看的綜合資源
https://www.analyticsvidhya.com/blog/2018/11/data-engineer-comprehensive-list-resources-get-started/?utm_source=blog&utm_medium=7-innovative-machine-learning-github-projects-in-python
4. Video Object Removal (計算機視覺)
傳送門：?https://github.com/zllrunning/video-object-removal
你是否接觸過圖像數(shù)據(jù)虱颗？計算機視覺是一種十分先進的技術(shù)沥匈，用于操縱和處理圖像的蔗喂。想要成為計算機視覺專家，圖像的目標(biāo)檢測通常被認(rèn)為是必經(jīng)之路高帖。
那么視頻呢缰儿？如果要對幾個視頻中的目標(biāo)繪制邊界框，雖然看似簡單散址，實際難度卻遠不止如此乖阵，而且目標(biāo)的動態(tài)性會使任務(wù)更加復(fù)雜。
所以Video Object Removal非常棒预麸，只要在視頻中某一目標(biāo)周圍繪制邊界框瞪浸，即可將它刪除。就是這么簡單吏祸！以下是一個范例：
如果你在計算機視覺的世界里還是個小白对蒲，這里有兩篇能幫助你入門并快速上手的文章：
· 對基礎(chǔ)目標(biāo)檢測算法的全面介紹
https://www.analyticsvidhya.com/blog/2018/10/a-step-by-step-introduction-to-the-basic-object-detection-algorithms-part-1/?utm_source=blog&utm_medium=7-innovative-machine-learning-github-projects-in-python
· 使用深度學(xué)習(xí)2.0掌握計算機視覺
https://courses.analyticsvidhya.com/courses/computer-vision-using-deep-learning-version2/?utm_source=blog&utm_medium=7-innovative-machine-learning-github-projects-in-python
5. Python Autocomplete (編程)
傳送門：?https://github.com/vpj/python_autocomplete
你一定會愛上Python Autocomplete的。數(shù)據(jù)科學(xué)家的所有工作就是對各種算法進行試驗（至少是大多數(shù)人），而Python Autocomplete可以利用一個LSTM簡單模型自動寫完P(guān)ython代碼蹈矮。
下圖中砰逻，灰色的部分就是LSTM模型自動填寫的代碼（結(jié)果位于圖像底部）：
開發(fā)人員如是描述：
首先清除Python代碼中的注釋、字符串和空行泛鸟，然后進行訓(xùn)練和預(yù)測蝠咆。模型訓(xùn)練的前提是對python代碼進行標(biāo)記化，相比使用字節(jié)編碼來預(yù)測字節(jié)北滥，這似乎更為有效刚操。
如果你曾花費（浪費）時間編寫一行行單調(diào)的Python代碼，那么這一模型可能正是你所尋找的碑韵。不過它的開發(fā)還處于非常早期的階段赡茸，操作中不可避免會出現(xiàn)一些問題。
如果你想知道LSTM到底是什么祝闻，請閱讀這篇文章中的介紹：
·?深度學(xué)習(xí)的要點：長短時記憶（LSTM）入門
https://www.analyticsvidhya.com/blog/2017/12/fundamentals-of-deep-learning-introduction-to-lstm/?utm_source=blog&utm_medium=7-innovative-machine-learning-github-projects-in-python
6. tfpyth–從TensorFlow到PyTorch再到TensorFlow (編程)
傳送門：?https://github.com/BlackHC/tfpyth
TensorFlow和PyTorch兩大模型都坐擁龐大的用戶群占卧，但后者的使用率高得驚人，在未來一兩年內(nèi)很可能超過前者联喘。不過請注意：這并不會打擊Tensorflow华蜒，因為它的地位相當(dāng)穩(wěn)固。
所以如果你曾經(jīng)在TensorFlow中寫了一串代碼豁遭，后來又在PyTorch中寫了另一串代碼叭喜，現(xiàn)在希望將兩者結(jié)合起來用以訓(xùn)練模型——那么tfpyth框架會是一個好選擇。Tfpyth最大的優(yōu)勢就在于用戶不需要重寫先前寫好的代碼蓖谢。
這一項目對tfpyth的使用方法給出了結(jié)構(gòu)嚴(yán)謹(jǐn)?shù)氖纠嬖蹋@無疑是對TensorFlow與PyTorch爭論的一種重新審視。
安裝tfpyth易如反掌：
pip install tfpyth
以下是兩篇深度介紹TensorFlow和PyTorch如何運作的文章：
· 深度學(xué)習(xí)指南：使用Python中的TensorFlow實現(xiàn)神經(jīng)網(wǎng)絡(luò)
https://www.analyticsvidhya.com/blog/2016/10/an-introduction-to-implementing-neural-networks-using-tensorflow/?utm_source=blog&utm_medium=7-innovative-machine-learning-github-projects-in-python
· PyTorch——一個簡單而強大的深度學(xué)習(xí)庫
https://www.analyticsvidhya.com/blog/2018/02/pytorch-tutorial/?utm_source=blog&utm_medium=7-innovative-machine-learning-github-projects-in-python
7. MedicalNet
MedicalNet中包含了一個PyTorch項目闪幽，該項目將《Med3D：用遷移學(xué)習(xí)分析3D醫(yī)學(xué)圖像》（https://arxiv.org/abs/1904.00625）這篇論文中的想法付諸實踐啥辨。這一機器學(xué)習(xí)項目將醫(yī)學(xué)數(shù)據(jù)集與不同的模態(tài)、目標(biāo)器官和病理結(jié)合起來盯腌，以構(gòu)建規(guī)模較大的數(shù)據(jù)集溉知。
眾所周知，深度學(xué)習(xí)模型（通常）需要大量訓(xùn)練數(shù)據(jù)腕够，而TenCent發(fā)布的MedicalNet是一個相當(dāng)出色的開源項目级乍，希望大家都能嘗試使用它。
MedicalNet的開發(fā)人員已經(jīng)發(fā)布了四個預(yù)訓(xùn)練模型帚湘，這些模型基于23個數(shù)據(jù)集玫荣。如果你需要，下文對遷移學(xué)習(xí)進行了直觀的介紹：
·?遷移學(xué)習(xí)及在深度學(xué)習(xí)中使用預(yù)訓(xùn)練模型的藝術(shù)
https://www.analyticsvidhya.com/blog/2017/06/transfer-learning-the-art-of-fine-tuning-a-pre-trained-model/?utm_source=blog&utm_medium=7-innovative-machine-learning-github-projects-in-python
