Google、Facebook等不可错过的 AI 开源工具，你想要的都在这里( 二 ) _AI

核心的 OpenSpiel 实现基于 C ++ 和 Python 绑定，这有助于在不同的深度学习框架中采用。该框架包含一系列游戏，允许 DRL agent 学会合作和竞争行为。同时，OpenSpiel 还包括搜索、优化和单一 agent 等多种 DRL 算法组合。
开源地址：
https://github.com/deepmind/open_spiel

2、SpriteWorld【Stars：259】Spriteworld 是一个基于 python 的强化学习环境，由一个可以自由移动的形状简单的二维竞技场组成。更具体地说，SpriteWorld 是一个二维方形竞技场，周围可随机放置数量可变的彩色精灵，但不会发生碰撞。
开源地址：
https://github.com/deepmind/spriteworld

3、bsuite【 Stars：834】强化学习行为套件（bsuite，The Behaviour Suite for Reinforcement Learning ）的目标是成为强化学习领域的 MNIST 。具体来说，bsuite 是一系列用来突出 agent 可扩展性关键点的实验。这些实验易于测试和迭代，对基本问题，例如“探索”或“记忆”进行试验。

文章插图
开源地址：
https://github.com/deepmind/bsuite

Facebook全部开源：
https://ai.facebook.com/results/open-source/?content_types%5B0%5D=blog

1、LASER 【Stars：2k】增强版的 LASER是首个能够成功探索大型多语种句子表征的工具包，共包含 90 多种语言，由 28 种不同的字母表编写。这项庞大的工作也引发了整个 NLP 社区的广泛关注。该工具包将所有语言联合嵌入到单个共享空间，而不是为每个语言单独建立模型。
开源地址：
https://github.com/facebookresearch/LASER

2、Detectron2【Stars：4.9k】10月11日，Facebook发布了Detectron2，这是基于PyTorch框架，以maskrcnn-benchmark为起点对Detectron的彻底重写。通过全新的模块化设计，Detectron2灵活且可扩展，能够在单个或多个GPU服务器上提供更加快速的训练。
Detectron2已经包含了众多保质量实现的目标检测算法，包括：DensePose, panoptic feature pyramid networks和Mask RCNN的各种变种。，其模块化特性也使其能够有效帮助研究人员探索最先进的算法设计。
开源地址：
https://github.com/facebookresearch/detectron2

3、Habitat-Sim【Stars：549】Habitat-Sim 是一个仿真的、灵活、高性能的3D模拟器，可配置代理、多个传感器和通用3D数据集处理，让我们可以在其中训练和评估 AI智能体。

文章插图
开源地址：
https://github.com/facebookresearch/habitat-sim

4、PyText【Stars：5.5k】PyText 是一个基于 PyTorch 构建的 NLP 建模（基于深度学习）框架，核心功能可以支持文本分类、序列标注等神经网络模型。PyText 可以简化工作流程，加速试验，同时还能促进大规模部署。
开源地址：
https://github.com/facebookresearch/pytext

5、Nevergrad【Stars：2.1k】Nevergrad 是Facebook 内部也在使用的一个无梯度优化 Python工具箱。除了内部项目中使用，还可以广泛运用在机器学习的多种问题中，比如多模态问题、可分离或旋转问题、部分可分离问题、离散、连续或混合等问题。

文章插图
开源地址：
https://github.com/facebookresearch/nevergrad

6、QNNPACK【Stars：1.2k】QNNPACK（量化神经网络包）是一个针对低精度高性能神经网络推理的移动端优化库。据官方公布，QNNPACK可以成倍提升神经网络的推理效率，已经成为 PyTorch 1.0 的一部分，也已经被集成到 Facebook 的应用程序中，部署到数十亿台设备上。
开源地址：
https://github.com/pytorch/QNNPACK

7、PyTorch Biggraph（PBG）【Stars：1.9k】PBG 是一个用于学习大规模图嵌入的分布式系统，特别适用于处理具有多达数十亿实体和数万亿条边的大型网络交互图。它在 2019 年的 SysML 会议上发表的大规模图嵌入框架论文中提出。
PBG 比常用的嵌入软件更快，并在标准基准上生成与最先进模型质量相当的嵌入。有了这个新工具，任何人都可以用一台机器或多台机器并行地读取一个大图并快速生成高质量的嵌入。