GitHub 上 57 款最流行的开源深度学习项目

mecosy 5年前
   <p>本文整理了 GitHub 上最流行的 57 款深度学习项目(按 stars 排名)。</p>    <h3>1.TensorFlow</h3>    <p>使用数据流图计算可扩展机器学习问题</p>    <p>TensorFlow 是谷歌的第二代机器学习系统,按照谷歌所说,在某些基准测试中,TensorFlow 的表现比第一代的 DistBelief 快了2倍。</p>    <p>TensorFlow 内建深度学习的扩展支持,任何能够用计算流图形来表达的计算,都可以使用 TensorFlow。任何基于梯度的机器学习算法都能够受益于 TensorFlow 的自动分 化(auto-differentiation)。通过灵活的 Python 接口,要在 TensorFlow 中表达想法也会很容易。</p>    <p style="text-align: center;"><img src="https://simg.open-open.com/show/518d22055e6ff1f92c5ea15582becaf4.png"></p>    <h3>2.Caffe</h3>    <p>Stars:11799</p>    <p>Caffe是一个高效的开源深度学习框架。由表达式,速度和模块化组成。</p>    <h3>3.Neural style</h3>    <p>Stars:10148</p>    <p>Torch实现的神经网络算法。</p>    <p>Neural style 是让机器模仿已有画作的绘画风格来把一张图片重新绘制的算法。</p>    <p style="text-align: center;"><img src="https://simg.open-open.com/show/b29eb0d08ec19256a6a904cda43f92a4.png"></p>    <h3>4.deepdream</h3>    <p>Stars:9042</p>    <p>Deep Dream,一款图像识别工具</p>    <h3>5.Keras</h3>    <p>Stars:7502</p>    <p>一款Python实现的深度学习库,包括卷积神经网络、递归神经网络等。运行在Theano和TensorFlow之上。</p>    <p>Keras是一个极简的、高度模块化的神经网络库,采用Python(Python 2.7-3.5.)开发,能够运行在TensorFlow和Theano任一平台,好项目旨在完成深度学习的快速开发。</p>    <h3>6.RocAlphaGo</h3>    <p>Stars:7170</p>    <p>学生主导的一个独立项目,从新实现了 DeepMind在2016 Nature发表的内容, 《用深度神经网络和树搜索学习围棋》 (Nature 529, 484-489, 28 Jan 2016).</p>    <h3>7.TensorFlow Models</h3>    <p>Stars:6671</p>    <p>基于TensorFlow开发的模型</p>    <h3>8.Neural Doodle</h3>    <p>Stars:6275</p>    <p>运用深度神经网络将涂鸦变为优雅的艺术品,从照片生成无缝纹理,转变图片风格,进行基于实例的提升,等等…还有更多!(语义风格传递的实现)</p>    <p style="text-align: center;"><img src="https://simg.open-open.com/show/f8d2ebb7499b85f1b58f750f3b459411.png"></p>    <h3>9.CNTK</h3>    <p>Stars:5957</p>    <p>深度学习工具包 。来自微软公司的CNTK工具包的效率,“比我们所见过的都要疯狂”。 这部分归功于CNTK可借助图形处理单元(GPU)的能力,微软自称是唯一公开“可扩展GPU”功能的公司。(从单机上的1个、延伸至超算上的多个) 在与该公司的网络化GPU系统(称之为Azure GPU Lab)匹配之后,它将能够训练深度神经网络来识别语音,让Cortana虚拟助理的速度达到以前的十倍。</p>    <h3>10.TensorFlow Examples</h3>    <p>Stars:5872</p>    <p>适合初学者的 TensorFlow 教程和代码示例,做了相关笔记和代码解释。</p>    <h3>11.ConvNet JS</h3>    <p>Stars:5231</p>    <p>ConvNetJS 是用 JavaScript 实现的神经网络,同时还有基于浏览器的 demo。</p>    <h3>12.Torch</h3>    <p>Stars:5133</p>    <p>Torch7,深度学习库。</p>    <p>Torch7 是一个科学计算框架,支持机器学习算法。易用而且提供高效的算法实现,得益于 LuaJIT 和一个底层的 C 实现。</p>    <h3>13.OpenFace</h3>    <p>Stars:4855</p>    <p>基于深度学习网络的面部识别。</p>    <h3>14.MXNet</h3>    <p>Stars:4685</p>    <p>轻巧、便携、灵活的分布式/移动深度学习框架,支持Python, R, Julia, Scala, Go, Javascript等等语言。</p>    <p>MXNet是一款设计为效率和灵活性的深度学习框架。它允许你混合符号编程和命令式编程,从而最大限度提高效率和生产力。在其核心是一个动态的依赖调度,它能够自动并行符号和命令的操作。一个图形优化层,使得符号执行速度快,内存使用高效。这个库便携,轻量,而且能够扩展到多个GPU和多台机器。</p>    <p style="text-align: center;"><img src="https://simg.open-open.com/show/ebc175fe8ca609f23c4a710839856373.png"></p>    <h3>15.Theano</h3>    <p>Stars:4286</p>    <p>Theano 是一个 Python 库,用来定义、优化和模拟数学表达式计算,用于高效的解决多维数组的计算问题。</p>    <h3>16.Leaf</h3>    <p>Stars:4281</p>    <p>黑客的开源机器智能框架。</p>    <p style="text-align: center;"><img src="https://simg.open-open.com/show/efab8f9cdbfb9008dfa31de4407ac534.png"></p>    <h3>17.Char RNN</h3>    <p>Stars:3820</p>    <p>多层递归神经网络的字符级别语言模型,基于Torch开发。</p>    <h3>18.Neural Talk</h3>    <p>Stars:3694</p>    <p>NeuralTalk是一个Python+numpy项目,用多模式递归神经网络描述图像。</p>    <h3>19.deeplearning4j</h3>    <p>Stars:3673</p>    <p>基于Hadoop 和 Spark的Java, Scala & Clojure深度学习工具。</p>    <p>Deeplearning4j(简称DL4J)是为Java和Scala编写的首个商业级开源分布式深度学习库。DL4J与Hadoop和Spark集成,为商业环境(而非研究工具目的)所设计。Skymind是DL4J的商业支持机构。</p>    <p>Deeplearning4j 技术先进,以即插即用为目标,通过更多预设的使用,避免太多配置,让非研究人员也能够进行快速的原型制作。DL4J同时可以规模化定制。DL4J遵循Apache 2.0许可协议,一切以其为基础的衍生作品均属于衍生作品的作者。</p>    <h3>20.TFLearn</h3>    <p>Stars:3368</p>    <p>深度学习库,包括高层次的TensorFlow接口。</p>    <h3>21.TensorFlow Playground</h3>    <p>Stars:3352</p>    <p>神经网络模型示例。</p>    <h3>22.OpenAI Gym</h3>    <p>Stars:3020</p>    <p>一种用于开发和比较强化学习算法的工具包。</p>    <h3>23.Magenta</h3>    <p>Stars:2914</p>    <p>Magenta: 音乐和艺术的生成与机器智能</p>    <p>Google Brain团队的一组研究人员发布了一个项目Project Magenta,其主要目标是利用机器学习创作艺术和谱写曲子。Project Magenta使用了 TensorFlow系统,研究人员在GitHub上开源了他们的模型和工具。</p>    <p>研究人员称,机器生成的音乐已经存在了许多年,但它们在都缺乏长的叙事艺术。Project Magenta就试图将故事作为机器生成音乐的重要部分。Google公布了一个DEMO(MP3)表现Magenta项目的成果。</p>    <h3>24.Colornet</h3>    <p>Stars:2798</p>    <p>用神经网络模型给灰度图上色。</p>    <h3>25.Synaptic</h3>    <p>Stars:2666</p>    <p>基于node.js和浏览器的免架构神经网络库。</p>    <h3>26.Neural Talk 2</h3>    <p>Stars:2550</p>    <p>Torch开发的图像简介生成代码,运行在GPU上。</p>    <h3>27.Image Analogies</h3>    <p>Stars:2540</p>    <p>使用神经匹配和融合生成相似图形。</p>    <h3>28.TensorFlow Tutorials</h3>    <p>Stars:2413</p>    <p>Tensorflow,从基础原理到应用。</p>    <h3>29.Lasagne</h3>    <p>Stars:2355</p>    <p>基于Theano训练和构建神经网络的轻型函数库。</p>    <h3>30.PyLearn2</h3>    <p>Stars:2153</p>    <p>基于Theano的机器学习库。</p>    <h3>31.LISA-lab Deep Learning Tutorials</h3>    <p>Stars:2134</p>    <p>深度学习教程笔记和代码。详情参见wiki页面。</p>    <h3>32.Neon</h3>    <p>Stars:2121</p>    <p>Nervana™开发的一款快速、可扩展、易上手的Python深度学习框架.</p>    <p>neon 是 Nervana System 的深度学习软件。根据非死book一位研究者的基准测试,Nervana的软件比业界知名的深度学习工具性能都要高,包括非死book自己的Torch7和Nvidia的cuDNN。</p>    <h3>33.Matlab Deep Learning Toolbox</h3>    <p>Stars:2032</p>    <p>Matlab/Octave的深度学习工具箱。包括深度信念网络、自动编码机、卷积神经网络、卷积自动编码机和vanilla神经网络等。每种方法都有入门示例。</p>    <h3>34.Deep Learning Flappy Bird</h3>    <p>Stars:1721</p>    <p>使用深度强化学习破解Flappy Bird游戏(深度 Q-学习).</p>    <h3>35.dl-setup</h3>    <p>Stars:1607</p>    <p>在深度学习机上设置软件说明。</p>    <h3>36.Chainer</h3>    <p>Stars:1573</p>    <p>一款灵活的深度学习神经网络框架。</p>    <p>Chainer是深度学习的框架,Chainer在深度学习的理论算法和实际应用之间架起一座桥梁。它的特点是强大、灵活、直观,被认为是深度学习的灵活框架。</p>    <h3>37.Neural Story Teller</h3>    <p>Stars:1514</p>    <p>看图讲故事的递归神经网络模型。</p>    <h3>38.DIGITS</h3>    <p>Stars:1353</p>    <p>深度学习GPU训练系统。</p>    <h3>39.Deep Jazz</h3>    <p>Stars:1229</p>    <p>基于Keras和Theano生成jazz的深度学习模型!</p>    <h3>40.Tiny DNN</h3>    <p>Stars:1183</p>    <p>仅引用头文件,无依赖且使用 C ++ 11 的深度学习框架</p>    <h3>41.Brainstorm</h3>    <p>Stars:1143</p>    <p>快速、灵活、有趣的神经网络。</p>    <h3>42.dl-docker</h3>    <p>Stars:1044</p>    <p>一个用于深度学习的一体化 Docker 镜像。 包含所有流行的 DL 框架(TensorFlow,Theano,Torch,Caffe等)。</p>    <h3>43.Darknet</h3>    <p>Stars:937</p>    <p>C语言版本的开源神经网络。</p>    <h3>44.Theano Tutorials</h3>    <p>Stars:904</p>    <p>基于Theano的机器学习入门教程,从线性回归到卷积神经网络。</p>    <h3>45.RNN Music Composition</h3>    <p>Stars:904</p>    <p>一款生成古典音乐的递归神经网络工具。</p>    <h3>46.Blocks</h3>    <p>Stars:866</p>    <p>用于构建和训练神经网络模型的Theano框架</p>    <h3>47.TDB</h3>    <p>Stars:860</p>    <p>TensorFlow的交互式、节点调试和可视化的工具。</p>    <p>TensorDebugger (TDB) 是深度学习调试器,使用断点和计算机图形化实时数据流可视化扩展 TensorFlow(谷歌的深度学习框架)。特别的是,TDB 是一个 Python 库和 一个 Jupyter Notebook 扩展的结合,构建 Google 的 TensorFlow 框架。</p>    <h3>48.Scikit Neural Net</h3>    <p>Stars:849</p>    <p>深度神经网络入门工具,类似scikit-learn的分类器和回归模型。</p>    <h3>49.Veles</h3>    <p>Stars:760</p>    <p>分布式机器学习平台(Python, CUDA, OpenCL)</p>    <p>VELES 是分布式深度学习应用系统,用户只需要提供参数,剩下的都可以交给 VELES。VELES 使用 Python 编写,使用 OpenCL 或者 CUDA,利用基于 Flow 的编程。它是三星开发的另一个 TensorFlow。</p>    <h3>50.Deep Detect</h3>    <p>Stars:759</p>    <p>基于C++11的深度学习接口和服务器,与Python绑定并支持Caffe。</p>    <h3>51.TensorFlow DeepQ</h3>    <p>Stars:759</p>    <p>基于Google Tensorflow的深度Q学习演示。</p>    <h3>52.Caffe on Spark</h3>    <p>Stars:724</p>    <p>基于Spark的Caffe。</p>    <p>雅虎认为,深度学习应该与现有的支持特征工程和传统(非深度)机器学习的数据处理管道在同一个集群中,创建CaffeOnSpark意在使得深度学习训练和测试能被嵌入到Spark应用程序中。CaffeOnSpark被设计成为一个Spark深度学习包。</p>    <h3>53.Nolearn</h3>    <p>Stars:702</p>    <p>神经网络库的抽象,著名的Lasagne。</p>    <p>54.DCGAN TensorFlow</p>    <p>Stars:568</p>    <p>基于tensorflow实现的深度卷积生成对抗网络。</p>    <h3>55.MatConvNet</h3>    <p>Stars:479</p>    <p>MATLAB CNN 计算机视觉应用工具箱。</p>    <h3>56.DeepCL</h3>    <p>Stars:413</p>    <p>用于训练深度卷积神经网络模型的OpenCL库。</p>    <h3>57.Visual Search Server</h3>    <p>Stars:304</p>    <p>可视化搜索服务器。一个简单使用TensorFlow,InceptionV3模型和AWS GPU实例实现的视觉搜索服务器。</p>    <p>代码实现两个方法,一个处理图像搜索的服务器和一个提取pool3功能的简单索引器。 最近邻搜索可以使用近似(更快)或使用精确方法(更慢)以近似方式执行。</p>    <p> </p>    <p> </p>    <p>来自:http://shujuren.org/article/291.html</p>    <p> </p>