關於人工智能的開源項目，相信開發者們已經目睹過不少了，Github上也有大把的資源。不過筆者今天說的並非來自Github，而是來自科技“大廠”Google發佈的一些涉及到機器學習、深度學習、神經網絡等優質的人工智能開源項目，精心挑選了一部分推薦給大家學習。下面就來看一看。
1、AdaNet：
快速靈活的AutoML，可自主學習。AdaNet是一個基於TensorFlow的輕量級框架，可在最少的專家干預下自動學習高質量的模型。它使用Cortes等AdaNet算法。2017年將學習神經網絡的結構作為子網的整體。重要的是，AdaNet提供了一個通用框架，不僅用於學習神經網絡體系結構，而且還用於學習集成以獲得更好的模型。
2、Auto ML Video On-Device：
使用AutoML視頻訓練對象檢測移動序列模型進行推理。該示例代碼顯示瞭如何加載Google Cloud AutoML視頻對象跟蹤設備上模型以及如何對視頻剪輯中的一系列圖像進行推斷。目標設備是CPU和EdgeTPU。
3、Budou：
適用於中文，日文和韓文（CJK）語言的自動換行工具。Budou會自動將CJK句子轉換為具有有意義的塊的組織HTML代碼，以在網絡上提供漂亮的字體。
4、Bullet Physics SDK：
針對VR，遊戲，視覺效果，機器人技術，機器學習等的實時碰撞檢測和多物理場仿真。Bullet Physics SDK是用便攜式C++編寫的專業開源庫。該庫主要用於遊戲，視覺效果和機器人仿真等等。該庫在zlib許可下可免費用於商業用途。
pybullet是一個易於使用的Python模塊，用於物理仿真，機器人技術和機器學習。使用pybullet您可以加載URDF，SDF和其他文件格式的鉸接體。pybullet提供正向動力學模擬，逆向動力學計算，正向和逆向運動學以及碰撞檢測和射線相交查詢。除了物理模擬之外，pybullet還支持渲染，CPU渲染器和OpenGL可視化以及對虛擬現實耳機的支持。
5、CausalImpact：
用於預估設計的干預措施對時間序列的因果影響的統計庫。CausalImpactR程序包實現了一種方法，用於估計設計的干預措施對時間序列的因果關係。例如，一個廣告系列產生了多少額外的每日點擊？當無法進行隨機實驗時，很難回答這樣的問題。該軟件包旨在使用結構貝葉斯時間序列模型來解決此難題，以估計如果幹預未發生，干預後干預指標可能如何演變。
6、Darwin Neuroevolution Framework：
神經進化和進化算法框架。達爾文（Darwin）是一個旨在使神經進化實驗變得簡單，快速和有趣的框架。它提供了構建基塊，示例和工具，從而避免了研究新思想所需的重複（且可能是複雜的）支架。
7、DeepMind Lab：
可定製的3D平臺，用於基於代理的AI研究。DeepMind Lab是一個第一人稱3D遊戲平臺，旨在研究和開發通用人工智能和機器學習系統。它提供了一組具有挑戰性的導航和解謎任務，這些任務對於深度強化學習特別有用。其簡單靈活的API使創新的任務設計和新穎的AI設計得以探索並快速迭代。
8、Dopamine：
強化學習算法的快速原型研究框架。Dopamine是基於TensorFlow的研究框架，用於快速學習強化學習算法的原型。它旨在滿足對小型，易處理的代碼庫的需求，用戶可以在其中自由地試驗荒誕的想法（推測性研究）。
9、gemmlowp：
低精度矩陣乘法。gemmlowp是一個用於相乘矩陣的庫，其項被量化為8位整數。它用於移動神經網絡應用程序，並獲得了英特爾和ARM的大力支持，從而確保了它在各種移動CPU上的高效性。
10、Generative ML On Cloud：
一種基於雲的工具，有助於生成機器學習和合成圖像。端到端的系統設計允許用戶擁有圖像的自定義數據集，以在Cloud ML上訓練可變自動編碼器生成對抗網絡（VAE-GAN）模型。在這裡，模型被部署到雲端，用戶可以在其中輸入嵌入以從其數據集中生成合成圖像，或者輸入圖像以獲取嵌入矢量。該工具使用Google Cloud Machine Learning API和TensorFlow。
11、Graph Distillation：
用於動作檢測的圖形蒸餾。在這項工作中，我們提出了一種稱為“圖蒸餾”的方法，該方法在源域中合併了來自大型多模態數據集的豐富特權信息，並改善了缺乏訓練數據和模態的目標域中的學習。
12、Kubeflow：
Kubernetes的機器學習工具包。Kubeflow項目致力於使機器學習（ML）工作流在Kubernetes上的部署簡單，可移植且可擴展。我們的目標不是重新創建其他服務，而是提供一種直接的方法來將ML的同類最佳的OS系統部署到各種基礎結構。在運行Kubernetes的任何地方，都應該能夠運行Kubeflow。
13、Magenta：
藉助機器智能進行音樂和藝術創作。Magenta是一個研究項目，旨在探索機器學習在藝術和音樂創作過程中的作用。首先，這涉及開發新的深度學習和強化學習算法，以生成歌曲，圖像，繪圖和其他材料。但這也是對構建智能工具和界面的一次探索，該工具和界面允許藝術家和音樂家使用這些模型擴展（而不是替換！）他們的過程。
14、MentorNet：噪聲數據深度學習。該示例代碼顯示瞭如何加載Google Cloud AutoML視頻對象跟蹤設備上模型，以及如何對視頻剪輯中的一系列圖像進行推斷。目標設備是CPU和EdgeTPU。
15、TensorFlow Playground：
瀏覽器在神經網絡中的可視化交互。TensorFlow Playground讓神經網絡的交互式變得可視化，使用d3.js以打字稿編寫。它包含一個微型神經網絡庫，可以滿足這種教育可視化的要求。用戶可以在瀏覽器中實時模擬小型神經網絡並查看結果。
這15個項目均來自Google open source開源項目，這對開發者來說無疑是一個寶庫。除此之外，有了這些開源的免費資源，開發者還可以通過鈦靈AIX來實踐和開發自己的人工智能原型產品。鈦靈AIX迷你小電腦，支持語音交互和視覺識別，內置英特爾 Movidius Myraid X 運算加速芯片，全球最受歡迎的開源硬件樹莓派、以及多種傳感技術。AIX極大降低AI的學習與開發門檻，幫助AI愛好者及開發者們快速構建會聽、會說、會看的 AI 應用及解決方案。
閱讀更多 鈦靈Tiorb 的文章
