GitHub上最受欢迎的57个深度学习开源项目.docx
《GitHub上最受欢迎的57个深度学习开源项目.docx》由会员分享，可在线阅读，更多相关《GitHub上最受欢迎的57个深度学习开源项目.docx（7页珍藏版）》请在冰豆网上搜索。
GitHub上最受欢迎的57个深度学习开源项目
GitHub上最受欢迎的57个深度学习开源项目
TensorFlow
https:
//github./tensorflow/tensorflow
作为谷歌的第二代机器学习系统，TensorFlow在过去的一年里成为了github上当之无愧的最受欢迎项目。
按照谷歌所说，在某些基准测试中，TensorFlow的表现比第一代的DistBelief快了2倍。
TensorFlow建深度学习的扩展支持，任何能够用计算流图形来表达的计算，都可以使用TensorFlow。
任何基于梯度的机器学习算法都能够受益于TensorFlow的自动分化（auto-differentiation）。
通过灵活的Python接口，要在TensorFlow中表达想法也会很容易。
Caffehttps:
//github./BVLC/caffe
Caffe是一个高效的开源深度学习框架。
由表达式，速度和模块化组成。
Caffe给出了模型的定义、最优化设置以及预训练的权重，方便立即上手。
Caffe能够运行很棒的模型和海量的数据，可以使用Caffe提供的各层类型来定义自己的模型。
Neuralstylehttps:
//github./jcjohnson/neural-style
Torch实现的神经网络算法。
Neuralstyle是让机器模仿已有画作的绘画风格来把一图片重新绘制的算法。
deepdreamhttps:
//github./google/deepdream
DeepDream是一款图像识别工具。
一个原本用来将图片分类的AI，让我们看到不一样的世界~在把一图片喂入之后，选择某一层神经网路（Google的神经网路有10-30层）进行重复处理的次数和变形的程度，就能获得一非常后现代的「画作」。
Kerashttps:
//github./fchollet/keras
一款Python实现的深度学习库，包括卷积神经网络、递归神经网络等。
运行在Theano和TensorFlow之上。
Keras是一个极简的、高度模块化的神经网络库，采用Python（Python2.7-3.5.）开发，能够运行在TensorFlow和Theano任一平台，好项目旨在完成深度学习的快速开发。
RocAlphaGohttps:
//github./Rochester-NRT/RocAlphaGo
学生主导的一个独立项目，从新实现了DeepMind在2016Nature发表的容，《用深度神经网络和树搜索学习围棋》（Nature529,484-489,28Jan2016）。
TensorFlowModelshttps:
//github./tensorflow/models
基于TensorFlow开发的模型。
这个库包含了各种机器学习模型在TensorFlow实践。
NeuralDoodlehttps:
//github./alexjc/neural-doodle
运用深度神经网络将涂鸦变为优雅的艺术品，从照片生成无缝纹理，转变图片风格，进行基于实例的提升，等等…还有更多！
（语义风格传递的实现）CNTKhttps:
//github./Microsoft/CNTK
深度学习工具包。
来自微软公司的CNTK工具包的效率，“比我们所见过的都要疯狂”。
这部分归功于CNTK可借助图形处理单元（GPU）的能力，微软自称是唯一公开“可扩展GPU”功能的公司。
（从单机上的1个、延伸至超算上的多个）在与该公司的网络化GPU系统（称之为AzureGPULab）匹配之后，它将能够训练深度神经网络来识别语音，让Cortana虚拟助理的速度达到以前的十倍。
TensorFlowExampleshttps:
//github./aymericdamien/TensorFlow-Examples适合初学者的TensorFlow教程和代码示例，作者已经做了相关笔记和代码解释。
ConvNetJShttps:
//github./karpathy/convnetjs
ConvNetJS是用JavaScript实现的神经网络，同时还有基于浏览器的demo。
Torchhttps:
//github./torch/torch7
Torch7是一个科学计算框架，支持机器学习算法。
易用而且提供高效的算法实现，得益于LuaJIT和一个底层的C实现。
OpenFacehttps:
//github./cmusatyalab/openface
基于深度学习网络的面部识别。
Openface是一个基于深度神经网络的开源人脸识别系统。
该系统基于谷歌的paper《FaceNet:
AUnifiedEmbeddingforFaceRecognitionandClustering》。
Openface是卡基梅隆大学的BrandonAmos主导的。
MXNethttps:
//github./dmlc/mxnet
轻巧、便携、灵活的分布式/移动深度学习框架，支持Python,R,Julia,Scala,Go,Javascript等等语言。
MXNet是一款设计为效率和灵活性的深度学习框架。
它允许你混合符号编程和命令式编程，从而最大限度提高效率和生产力。
在其核心是一个动态的依赖调度，它能够自动并行符号和命令的操作。
一个图形优化层，使得符号执行速度快，存使用高效。
这个库便携，轻量，而且能够扩展到多个GPU和多台机器。
Theanohttps:
//github./Theano/Theano
Theano是一个Python库，用来定义、优化和模拟数学表达式计算，用于高效的解决多维数组的计算问题。
Leafhttps:
//github./autumnai/leaf
是一个开放的机器学习框架，为黑客建立经典，深或混合机器学习应用。
它的灵感来自于TensorFlowTorch,Caffe,Rust和众多的研究论文，并提出模块化、性能和便携性的深度学习。
CharRNNhttps:
//github./karpathy/char-rnn
多层递归神经网络的字符级别语言模型，基于Torch开发。
它实现了多层递归神经网络（RNN，LSTM、和GRU）字符级语言模型的训练/采样。
如果你是Torch/Lua/NeuralNets新手，那么这对于你去理解它们有很大的帮助。
NeuralTalkhttps:
//github./karpathy/neuraltalk
NeuralTalk是一个Python+numpy项目，用多模式递归神经网络描述图像。
deeplearning4jhttps:
//github./deeplearning4j/deeplearning4j
基于Hadoop和Spark的Java,Scala&Clojure深度学习工具。
Deeplearning4j（简称DL4J）是为Java和Scala编写的首个商业级开源分布式深度学习库。
DL4J与Hadoop和Spark集成，为商业环境（而非研究工具目的）所设计。
Skymind是DL4J的商业支持机构。
Deeplearning4j技术先进，以即插即用为目标，通过更多预设的使用，避免太多配置，让非研究人员也能够进行快速的原型制作。
DL4J同时可以规模化定制。
DL4J遵循Apache2.0许可协议，一切以其为基础的衍生作品均属于衍生作品的作者。
TFLearnhttps:
//github./tflearn/tflearn
深度学习库，包括高层次的TensorFlow接口。
它是被设计来在加速试验提供了一个更高级别的API，并且和其他的部分完全兼容。
TensorFlowPlaygroundhttps:
//github./tensorflow/playground
神经网络模型示例。
TensorFlowPlayground是一个神经网络的交互式可视化，这是使用d3.js写的。
OpenAIGymhttps:
//github./openai/gym
一种用于开发和比较强化学习算法的工具包。
Magentahttps:
//github./tensorflow/magenta
Magenta:
音乐和艺术的生成与机器智能。
GoogleBrain团队的一组研究人员发布了一个项目ProjectMagenta，其主要目标是利用机器学习创作艺术和谱写曲子。
ProjectMagenta使用了TensorFlow系统，研究人员在GitHub上开源了他们的模型和工具。
研究人员称，机器生成的音乐已经存在了许多年，但它们在都缺乏长的叙事艺术。
ProjectMagenta就试图将故事作为机器生成音乐的重要部分。
Google公布了一个DEMO（MP3）表现Magenta项目的成果。
Colornethttps:
//github./pavelgonchar/colornet
用神经网络模型给灰度图上色。
Synaptichttps:
//github./cazala/synaptic基于node.js和浏览器的免架构神经网络库。
NeuralTalk2https:
//github./karpathy/neuraltalk2
Torch开发的图像简介生成代码，运行在GPU上。
ImageAnalogieshttps:
//github./awentzonline/image-analogies
使用神经匹配和融合生成相似图形。
TensorFlowTutorialshttps:
//github./pkmital/tensorflow_tutorialsTensorflow，从基础原理到应用。
Lasagnehttps:
//github./Lasagne/Lasagne
基于Theano训练和构建神经网络的轻型函数库。
PyLearn2https:
//github./lisa-lab/pylearn2
基于Theano的机器学习库。
LISA-labDeepLearningTutorialshttps:
//github./lisa-lab/DeepLearningTutorials
深度学习教程笔记和代码。
详情参见wiki页面。
Neonhttps:
//github./NervanaSystems/neon
Nervana?
开发的一款快速、可扩展、易上手的Python深度学习框架。
neon是NervanaSystem的深度学习软件。
根据Facebook一位研究者的基准测试，Nervana的软件比业界知名的深度学习工具性能都要高，包括Facebook自己的Torch7和Nvidia的cuDNN。
MatlabDeepLearningToolboxhttps:
//github./rasmusbergpalm/DeepLearnToolbox
Matlab/Octave的深度学习工具箱。
包括深度信念网络、自动编码机、卷积神经网络、卷积自动编码机和vanilla神经网络等。
每种方法都有入门示例。
DeepLearningFlappyBirdhttps:
//github./yenchenlin1994/DeepLearningFlappyBird
使用深度强化学习破解FlappyBird游戏（深度Q-学习）。
dl-setuphttps:
//github./saiprashanths/dl-setup
在深度学习机上设置软件说明。
Chainerhttps:
//github./pfnet/chainer
一款灵活的深度学习神经网络框架。
Chainer是深度学习的框架，Chainer在深度学习的理论算法和实际应用之间架起一座桥梁。
它的特点是强大、灵活、直观，被认为是深度学习的灵活框架。
NeuralStoryTellerhttps:
//github./ryankiros/neural-storyteller
看图讲故事的递归神经网络模型。
DIGITShttps:
//github./NVIDIA/DIGITS
深度学习GPU训练系统。
DeepJazzhttps:
//github./jisungk/deepjazz
基于Keras和Theano生成jazz的深度学习模型！
TinyDNNhttps:
//github./tiny-dnn/tiny-dnn
仅引用头文件，无依赖且使用C++11的深度学习框架。
Brainstormhttps:
//github./IDSIA/brainstorm
快速、灵活、有趣的神经网络。
dl-dockerhttps:
//github./saiprashanths/dl-docker
一个用于深度学习的一体化Docker镜像。
包含所有流行的DL框架（TensorFlow，Theano，Torch，Caffe等）。
Darknethttps:
//github./pjreddie/darknet
C语言版本的开源神经网络。
TheanoTutorialshttps:
//github./Newmu/Theano-Tutorial基于Theano的机器学习入门教程，从线性回归到卷积神经网络。
RNNMusicCompositionhttps:
//github./hexahedria/biaxial-rnn-music-composition一款生成古典音乐的递归神经网络工具。
Blockshttps:
//github./mila-udem/blocks用于构建和训练神经网络模型的Theano框架
TDBhttps:
//github./ericjang/tdb
TensorFlow的交互式、节点调试和可视化的工具。
TensorDebugger（TDB）是深度学习调试器，使用断点和计算机图形化实时数据流可视化扩展TensorFlow（谷歌的深度学习框架）。
特别的是，TDB是一个Python库和一个JupyterNotebook扩展的结合，构建Google的TensorFlow框架。
ScikitNeuralNethttps:
//github./aigamedev/scikit-neuralnetwork深度神经网络入门工具，类似scikit-learn的分类器和回归模型。
Veleshttps:
//github./samsung/veles
分布式机器学习平台（Python,CUDA,OpenCL）。
VELES是分布式深度学习应用系统，用户只需要提供参数，剩下的都可以交给VELES。
VELES使用Python编写，使用OpenCL或者CUDA，利用基于Flow的编程。
它是三星开发的另一个TensorFlow。
DeepDetecthttps:
//github./beniz/deepdetect基于C++11的深度学习接口和服务器，与Python绑定并支持Caffe。
TensorFlowDeepQhttps:
//github./nivwusquorum/tensorflow-deepq基于GoogleTensorflow的深度Q学习演示。
CaffeonSparkhttps:
//github.//CaffeOnSpark
基于Spark的Caffe。
雅虎认为，深度学习应该与现有的支持特征工程和传统（非深度）机器学习的数据处理管道在同一个集群中，创建CaffeOnSpark意在使得深度学习训练和测试能被嵌入到Spark应用程序中。
CaffeOnSpark被设计成为一个Spark深度学习包。
Nolearnhttps:
//github./dnouri/nolearn神经网络库的抽象，著名的Lasagne。
DCGANTensorFlowhttps:
//github./carpedm20/DCGAN-tensorflowStars：
568
基于tensorflow实现的深度卷积生成对抗网络。
MatConvNethttps:
//github./vlfeat/matconvnetMATLABCNN计算机视觉应用工具箱。
DeepCLhttps:
//github./hughperkins/DeepCL用于训练深度卷积神经网络模型的OpenCL库。
VisualSearchServerhttps:
//github./AKSHAYUBHAT/VisualSearchServer可视化搜索服务器。
一个简单使用TensorFlow，InceptionV3模型和AWSGPU实例实现的视觉搜索服务器。
代码实现两个方法，一个处理图像搜索的服务器和一个提取pool3功能的简单索引器。
最近邻搜索可以使用近似（更快）或使用精确方法（更慢）以近似方式执行。
升级会员 