Google、Facebook等不可错过的 AI 开源工具，你想要的都在这里( 三 ) _AI

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

9、 Captum 【Stars：581】Captum是一个基于 Pytorch 的一个模型解释库，其功能强大、灵活且易于使用。该库为所有最新的算法提供了解释性，帮助研究人员及开发者更好地理解对模型预测结果产生作用的具体特征、神经元及神经网络层。

文章插图
开源地址：
https://www.captum.ai/

10、DLRM【Stars：1.5k】Facebook 开源的深度学习推荐模型DLRM 是基于 PyTorch 和 Caffe2 平台实现。这也是一个在生产环境中提供个性化结果的模型，通过结合协同过滤算法和预测分析方法，使模型获得进一步效果的提升。
开源地址：
https://github.com/facebookresearch/dlrm

11、Pythia【Stars：2.9k】Pythia 是一个模块化的深度学习框架。它可以支持视觉和语言领域的多任务处理，内置各种数据集，同时还支持数据并行和分布式数据并行的分布式训练，满足用户对损失、度量、调度和优化器的定制需求。

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

亚马逊1、DGL【Stars：3.2k】与传统基于张量（Tensor）的神经网络相比，图神经网络将图 (Graph) 作为输入，从图结构中学习潜在知识，该方法在近些年已被证明在许多场景可以取得很好的效果。然而，使用传统的深度学习框架（比如 TensorFlow、Pytorch、MXNet）并不能方便地进行图神经网络的开发和训练，而 DGL作为专门面向图神经网络的框架，可以很好地弥补这一缺陷。该框架在开源后于国内外引起了强烈的反响。
开源地址：
http://dgl.ai
https://github.com/dmlc/dgl

2、Neo-AINeo-AI 是 AWS 开源一个AI模型优化框架，包含了对 TVM、Treelite、DLR 所做多一些改进与创新。Neo-AI 运行时占用的空间并不大，转换模型的速度可以加快2 倍，但精度并不会受到损失，在目标硬件上运行时并不依赖于框架。
开源地址：
https://github.com/neo-ai

微软1、NNI (Neural Network Intelligence) 【Stars：3.5k】
NNI 是自动机器学习（AutoML）的工具包。它通过多种调优的算法来搜索最好的神经网络结构和（或）超参，并支持单机、本地多机、云等不同的运行环境。
开源地址：
https://github.com/microsoft/nni/blob/master/README_zh_CN.md

2、OpenPAI【Stars：1.4k】微软开源的 AI 计算平台，帮助加速机器学习的模型训练过程。提供了完整的 AI 模型训练和资源管理能力，能轻松扩展，并支持各种规模的私有部署、云和混合环境。
开源地址：
https://github.com/microsoft/pai/blob/master/README.md

3、lnterpretML【Stars：2.1k】微软开源的可解释机器学习工具包 lnterpretML 。它不仅能执行很多可理解的模型，也希望帮助开发人员能尝试各种方法解释模型和系统。
开源地址：
https://github.com/interpretml/interpret

4、PipeDream【Stars：34】几个月以前，微软研究院宣布了Fiddle项目的创立，其包括了一系列的旨在简化分布式深度学习的研究项目。PipeDreams是Fiddle发布的第一个侧重于深度学习模型并行训练的项目之一。PipeDream采用一种有别于其它方法的方式，利用称为“流水线并行”的技术来扩展深度学习模型的训练。
开源地址：
https://github.com/msr-fiddle/pipedream

Uber1、Ludwig【Stars：5.9k】一个基于TensorFlow的工具箱，不用写代码就能够训练和测试深度学习模型。可以帮助开发者更好地理解深度学习方面的能力，并能够推进模型快速迭代。对AI专家来说，Ludwig可以简化原型设计和数据处理过程，从而让他们能够专注于开发深度学习模型架构。
开源地址：
https://github.com/uber/ludwig

OpenCV1、OpenVINO【Stars：873】OpenVINO 是一个模型训练框架，提供了大量的预训练模型，同时提供模型重新训练与部署的拓展通道。
开源地址：
https://github.com/opencv/dldt

SciSharp STACK一个基于 .NET 的机器学习生态，提供一个和 Python 生态体验一致的工具库，让模型迁移更容易、学习曲线最低。SciSharp 从最基本的张量计算库 NumSharp 开始构建，到 TensorFlow Binding，再到吸纳其它深度学习库 SiaNet 做 ArrayFire.NET，最后到开发ICSharpCore以支持Jupyter Notebook调试。