Google、Facebook等不可错过的 AI 开源工具，你想要的都在这里 _AI

文章插图
整理 | Jane
出品 | AI科技大本营（ID：rgznai100)
一个好工具，能提高开发效率，优化项目研发过程，无论是企业还是开发者个人都在寻求适合自己的开发工具。但是，选择正确的工具并不容易，有时这甚至是一项艰巨的任务。
2018 年底，我们整理了去年备受关注的 Python开源工具与项目 Top100、Github 开源项目总结情况以及最受欢迎开源项目 Top200 。今天，AI科技大本营（ID:rgznai100）通过搜集这一年（2018.10--2019.10）国内外新发布的 AI 工具，从中挑选出了 45 个备受欢迎的开源工具，希望你不再错过。
google1、Jax【Stars：5.5k】
【Google、Facebook等不可错过的 AI 开源工具，你想要的都在这里】Jax集合Autograd和XLA的高性能机器学习研究工具，由Google开源贡献。很多人都说Jax是TF的替代品，更简洁易用。

文章插图
开源地址：
https://github.com/google/jax
2、AdaNet【Stars：2.9k】
AdaNet 是一款基于TensorFlow 的轻量型框架。可以使用最少的专家干预来自动学习高质量模型，AdaNet提供的通用框架，不仅可以用于学习神经网络架构，还可以学习集成，从而获得更好的模型。
开源地址：
https://github.com/tensorflow/adanet
3、TensorFlow Extended (TFX)【Stars：720】
TFX 是面向生产环境的机器学习工具。借助TFX，可以为满足生产应用部署与最佳实践的众多需求，创建一条生产级机器学习流水线。TFX从提取数据开始，然后通过数据验证、特征工程、训练、评估提供服务。

文章插图
开源地址：
https://github.com/tensorflow/tfx

4、TFF【Stars：758】TensorFlow Federated （TFF）框架可用于去中心化（decentralized）数据的机器学习及运算实验。它实现了联邦学习（Federated Learning，FL）方法，将为开发者提供分布式机器学习，以便在没有数据离开设备的情况下，在多种设备上训练共享的 ML 模型。其中，它通过加密方式提供多一层的隐私保护，并且设备上模型训练的权重与用于连续学习的中心模型共享。
开源地址：
https://github.com/tensorflow/federated

5、MediaPipe 【Stars：3.5K】MediaPipe 是一款由 Google Research 开发并开源的多媒体机器学习模型应用框架。谷歌的一系列重要产品如 YouTube、Google Lens、ARCore、Google Home 以及 Nest 都已深度整合了 MediaPipe 。

文章插图
开源地址：
https://github.com/google/mediapipe

6、TensorNetwork【Stars：879】谷歌 X 实验室与加拿大 Perimeter 理论物理研究所（Perimeter Institute for Theoretical Physics ）的研究人员合作开发了张量网络 TensorNetwork，以 TensorFlow 作为后端，针对 GPU 处理进行了优化。与在 CPU 上计算工作相比，可以实现高达 100 倍的加速。这是一个全新的开源库，旨在提高张量计算效率。

文章插图
开源地址：
https://github.com/google/tensornetwork

7、GPipeGPipe 是一个分布式机器学习库，使用同步随机梯度下降和流水线并行技术进行训练，适用于任何由多个序列层组成的 DNN 。重要的是，GPipe 让研究人员无需调整超参数，即可轻松部署更多加速器，从而训练更大的模型并扩展性能。
开源地址：
https://github.com/tensorflow/lingvo/blob/master/lingvo/core/gpipe.py

8、 MLIR【Stars：1.5k】MLIR 通过定义一个通用的中间表示，将在TensorFlow和类似的ML框架中执行高性能机器学习模型所需的基础设施进行统一，包括高性能计算技术应用或强化学习这类搜索算法的集成。MLIR旨在降低开发新硬件的成本，并提高现有TensorFlow用户的可用性。
开源地址：
https://github.com/tensorflow/mlir

DeepMind1、OpenSpiel【Stars：1.7k】OpenSpiel 是一系列环境和算法，用于研究一般强化学习和游戏中的搜索/规划。OpenSpiel 的目的是通过与一般游戏类似的方式促进跨多种不同游戏类型的一般多智能体强化学习，但重点是强调学习而不是竞争形式。当前版本的 OpenSpiel 包含 20 多种游戏的不同类型实现（完美信息、同步移动、不完美信息、网格世界游戏、博弈游戏和某些普通形式/矩阵游戏）。