江苏龙网

  1. 主页 > 生活百科 > >

谷歌15个人工智能开源免费项目！

谷歌

关于人工智能的开源项目，相信开发者们已经目睹过不少了，Github上也有大把的资源 。不过笔者今天说的并非来自Github，而是来自科技“大厂”google发布的一些涉及到机器学习、深度学习、神经网络等优质的人工智能开源项目，精心挑选了一部分推荐给大家学习 。下面就来看一看 。

谷歌15个人工智能开源免费项目！

文章插图
 
1、AdaNet：
快速灵活的AutoML，可自主学习 。AdaNet是一个基于TensorFlow的轻量级框架，可在最少的专家干预下自动学习高质量的模型 。它使用Cortes等AdaNet算法 。2017年将学习神经网络的结构作为子网的整体 。重要的是，AdaNet提供了一个通用框架，不仅用于学习神经网络体系结构，而且还用于学习集成以获得更好的模型 。
2、Auto ML Video On-Device：
使用AutoML视频训练对象检测移动序列模型进行推理 。该示例代码显示了如何加载Google Cloud AutoML视频对象跟踪设备上模型以及如何对视频剪辑中的一系列图像进行推断 。目标设备是CPU和EdgeTPU 。
3、Budou：
适用于中文，日文和韩文（CJK）语言的自动换行工具 。Budou会自动将CJK句子转换为具有有意义的块的组织html代码，以在网络上提供漂亮的字体 。
4、Bullet Physics SDK：
针对VR，游戏，视觉效果，机器人技术，机器学习等的实时碰撞检测和多物理场仿真 。Bullet Physics SDK是用便携式C++编写的专业开源库 。该库主要用于游戏，视觉效果和机器人仿真等等 。该库在zlib许可下可免费用于商业用途 。
pybullet是一个易于使用的Python模块，用于物理仿真，机器人技术和机器学习 。使用pybullet您可以加载URDF，SDF和其他文件格式的铰接体 。pybullet提供正向动力学模拟，逆向动力学计算，正向和逆向运动学以及碰撞检测和射线相交查询 。除了物理模拟之外，pybullet还支持渲染，CPU渲染器和OpenGL可视化以及对虚拟现实耳机的支持 。
5、CausalImpact：
用于预估设计的干预措施对时间序列的因果影响的统计库 。CausalImpactR程序包实现了一种方法，用于估计设计的干预措施对时间序列的因果关系 。例如，一个广告系列产生了多少额外的每日点击？当无法进行随机实验时，很难回答这样的问题 。该软件包旨在使用结构贝叶斯时间序列模型来解决此难题，以估计如果干预未发生，干预后干预指标可能如何演变 。
6、Darwin Neuroevolution Framework：
神经进化和进化算法框架 。达尔文（Darwin）是一个旨在使神经进化实验变得简单，快速和有趣的框架 。它提供了构建基块，示例和工具，从而避免了研究新思想所需的重复（且可能是复杂的）支架 。
7、DeepMind Lab：
可定制的3D平台，用于基于代理的AI研究 。DeepMind Lab是一个第一人称3D游戏平台，旨在研究和开发通用人工智能和机器学习系统 。它提供了一组具有挑战性的导航和解谜任务，这些任务对于深度强化学习特别有用 。其简单灵活的API使创新的任务设计和新颖的AI设计得以探索并快速迭代 。
8、Dopamine：
强化学习算法的快速原型研究框架 。Dopamine是基于TensorFlow的研究框架，用于快速学习强化学习算法的原型 。它旨在满足对小型，易处理的代码库的需求，用户可以在其中自由地试验荒诞的想法（推测性研究） 。
9、gemmlowp：
低精度矩阵乘法 。gemmlowp是一个用于相乘矩阵的库，其项被量化为8位整数 。它用于移动神经网络应用程序，并获得了英特尔和ARM的大力支持，从而确保了它在各种移动CPU上的高效性 。
10、Generative ML On Cloud：
一种基于云的工具，有助于生成机器学习和合成图像 。端到端的系统设计允许用户拥有图像的自定义数据集，以在Cloud ML上训练可变自动编码器生成对抗网络（VAE-GAN）模型 。在这里，模型被部署到云端，用户可以在其中输入嵌入以从其数据集中生成合成图像，或者输入图像以获取嵌入矢量 。该工具使用Google Cloud machine Learning API和TensorFlow 。
11、Graph Distillation：
用于动作检测的图形蒸馏 。在这项工作中，我们提出了一种称为“图蒸馏”的方法，该方法在源域中合并了来自大型多模态数据集的丰富特权信息，并改善了缺乏训练数据和模态的目标域中的学习 。
12、Kubeflow：
Kubernetes的机器学习工具包 。Kubeflow项目致力于使机器学习（ML）工作流在Kubernetes上的部署简单，可移植且可扩展 。我们的目标不是重新创建其他服务，而是提供一种直接的方法来将ML的同类最佳的OS系统部署到各种基础结构 。在运行Kubernetes的任何地方，都应该能够运行Kubeflow 。


推荐阅读


上一篇：科比坠机身亡真相大白 科比坠机身亡现场

下一篇：淘宝不能开店怎么解决 淘宝严重违规无法创建店铺