auto-sklearn是一个自动化的机器学习工具包，是scikit-learn估算器的直接替代品：。>>>predictions=cls.predictauto-sklearn使机器学习用户从算法选择和超参数调整中解放出来。它利用了贝叶斯优化，元学习和集合构造的最新优势。阅读在NIPS 2015上发表的论文，了解有关auto-sklearn背后技术的更多信息。
# 机器学习/深度学习
谷歌 AI 发布了最新成果 TF-Ranking，它是一个专门针对排序学习应用的可扩展 TensorFlow 库。TF-Ranking 快速且易用，并能创建高质量的排序模型，对构建 web 搜索或新闻推荐等基于真实世界数据的排序系统感兴趣的人，都可以将 TF-Ranking 作为强稳的、可扩展的解决方案。此外，谷歌 AI 团队坚信一个有用的开源库，它的关键不仅在于提供合理的默认值，而且还在于能够授权用户开发自定义模型。
Nauta 是一个企业级的堆栈，用于需要运行深度学习工作负载来培训将部署到生产环境中的模型的团队。Nauta 是最新发布的可以使用 Kubernetes 或 Docker 容器的工具，这种方法允许从业人员在通过内部服务器部署人工智能和在云中部署人工智能之间进行选择。
Advisor 超参数调整系统
ELI5是一个Python库，允许使用统一API可视化地调试各种机器学习模型。它内置了对多个ML框架的支持，并提供了一种解释黑盒模型的方法。它有助于调试机器学习分类器并解释它们的预测。目前，ELI5允许解释scikit-learning线性分类器和回归量的权重和预测，将决策树打印为文本或SVG，显示特征重要性并解释决策树和基于树的集合的预测。ELI5通过scikit-learn了解文本处理实用程序，并可相应地突出显示文本数据。ELI5还实现了几种检测黑盒模型的算法：
SHAP以一种统一的方法来解释任何机器学习模型的输出。SHAP将博弈论与局部解释联系起来，将以前的几种方法结合起来，并根据预期表示唯一可能的一致且局部准确的加法特征归因方法。虽然SHAP值可以解释任何机器学习模型的输出，但我们已经开发了一种用于树集合方法的高速精确算法。XGBoost，LightGBM，CatBoost和scikit-learn树模型支持快速C ++实现：。# explain the model's predictions using SHAP values
SQLFlow 赋予 SQL AI 能力
# 神经网络/人工智能 # 机器学习/深度学习
EfficientNets 是谷歌基于AutoML开发的，是一种新的模型缩放方法。它在ImageNet测试中实现了84.1%的准确率，再次刷新了纪录。虽然准确率只比之前最好的Gpipe提高了0.1%，但是模型更小更快，参数的数量和FLOPS都大大减少，效率提升了10倍！开发EfficientNets是来自谷歌大脑的工程师Mingxing Tan和首席科学家Quoc V. Le，他们的文章《EfficientNet: Rethinking Model Scaling for Convolutional Neu
Asynchronous Advantage Actor-Critic for playing Super Mario Bros 是超级马里奥兄弟的 A3C 算法，用于训练代理玩超级马里奥兄弟。通过运行 python train.py 来训练模型 通过运行 python test.py 来测试已经过训练的模型样本示例：
# 机器学习/深度学习 # 游戏开发包
Caire 内容感知图像压缩/扩展库
# 机器学习/深度学习 # 图形/图像处理
mmcv 是用于计算机视觉研究的基础 Python 库，支持 MMLAB 中的许多研究项目，例如 mmdetection。该库主要分为两个部分，一部分是与深度学习框架无关的工具函数，比如 IO/Image/Video 相关的一些操作，另一部分是为 PyTorch 写的一套训练工具，可以大大减少用户需要写的代码量，同时让整个流程的定制变得容易。
# 机器学习/深度学习 # 计算机视觉库/人脸识别 # 图形/图像处理
Tencent ML-Images由多标签图像数据集 ML-Images 与业内目前同类深度学习模型中精度最高的深度残差网络 ResNet-101 构成。ML-Images: 最大的开源多标签图像数据库，包括 17,609,752 个训练集和 88,739 个验证图像 URL，最多可标注11,166 个类别。ML-Images 数据集的详细介绍，包括图像来源、图像数量、类别数量、类别的语义标签体系，标注方法，以及图像的标注数量等统计量。提供的代码涵盖从图像下载，图像预处理，基于 ML-Images 的预训练
# 神经网络/人工智能 # 机器学习/深度学习 # 图形/图像处理
DeepCreamPy 使用深度神经网络去除马赛克
TensorRT 是一个高性能深度学习推理平台，它包括深度学习推理优化器和运行时，可为深度学习推理应用提供低延迟和高吞吐量。在推理期间，基于 TensorRT 的应用比仅 CPU 平台的执行速度快 40 倍。TensorRT 基于CUDA，NVIDIA 的并行编程模型，能够利用 CUDA-X AI 中的库、开发工具和技术，为人工智能、自动机器、高性能计算和图形优化所有深度学习框架的推理。此库包含 TensorRT 插件和解释器，还有一些演示 TensorRT 平台的使用和功能的示例应用。
BytePS 高性能分布式深度学习训练框架
TensorWatch 是一个调试和可视化工具，专为 Microsoft Research 的数据科学，深度学习和强化学习而设计。它适用于Jupyter Notebook，可显示机器学习培训的实时可视化，并为您的模型和数据执行其他几项关键分析任务。TensorWatch旨在灵活且可扩展，因此您还可以构建自己的自定义可视化，UI和仪表板。TensorWatch 正在大力发展，其目标是通过一个易于使用，可扩展和可破解的软件包提供调试机器学习的平台。
DLRM是深度学习推荐模型的实现，用于个性化推荐。该模型输入有密集和稀疏的特性，前者是浮点值的向量，后者是嵌入表的稀疏索引列表，嵌入表由浮点值向量组成。所选择的矢量被传递到由三角形表示的 mlp 网络，在一些情况下，矢量通过操作符进行交互。[ dense features ] [sparse indices] , ..., [sparse indices]更精确的模型层定义：。Dot = [e1'e1, ..., e1'ek, ..., ek'e1, ..., ek'ek]
DeOldify 是用于着色和恢复旧图像及视频的深度学习项目。它采用了 NoGAN 这样一种新型的、高效的图像到图像的GAN 训练方法。细节处理效果更好，渲染也更逼真。NoGANNoGAN是作者开发的一种新型 GAN 训练模型，用于解决之前 DeOldify 模型中的一些关键问题。此外，在训练期间高斯噪声增强似乎也有所帮助。目前，DeOldify 有三种型号可供选择，每一种都有关键优势和劣势，因此具有不同的用例。BEEFY 显卡 一个普通显卡 Linux使用 Anaconda 进行简单安装
PaddleHub是什么深度学习模型的价值在AI时代不断增大。要想得到一个高质量的深度学习模型，离不开4个要素，优秀的算法、充足的算力、丰富的数据以及专家知识。大家在深度学习中常常遇到以下问题：。PaddleHub可以便捷地获取这些预训练模型，完成模型的管理和一键预测。
MediaPipe 是一个基于图形的跨平台框架，用于构建多模式应用的机器学习管道。MediaPipe 可在移动设备、工作站和服务器上跨平台运行，并支持移动 GPU 加速。MediaPipe 的主要用例是使用推理模型和其他可重用组件对应用机器学习管道进行快速原型设计。MediaPipe 还有助于将机器学习技术部署到各种不同硬件平台上的演示和应用程序中。
安科网(Ancii)，中国第一极客网
Copyright © 2013 - 2019 Ancii.com
京ICP备18063983号-5 京公网安备11010802014868号
