七大Github機(jī)器學(xué)習(xí)熱門項(xiàng)目
共 3840字，需瀏覽 8分鐘
·
2024-05-29 10:05
點(diǎn)擊上方“小白學(xué)視覺”，選擇加"星標(biāo)"或“置頂”
重磅干貨，第一時間送達(dá)
Pytorch-Transformers(NLP)
https://github.com/huggingface/pytorch-transformers
PyTorch-Transformers是最新的一系列最先進(jìn)的NLP庫。它打敗了之前各種NLP任務(wù)的基準(zhǔn)。我真正喜歡pytorch-transformers的是它包含PyTorch實(shí)現(xiàn)，預(yù)訓(xùn)練模型權(quán)重和其他重要組件，可以幫助你快速入門。
你可能會覺得運(yùn)行復(fù)雜的模型需要巨大的計算能力。但是PyTorch-Transformers沒有這個問題，使大多數(shù)人都可以建立最優(yōu)秀的NLP模型。
https://github.com/Tencent/NeuralNLP-NeuralClassifier
文本數(shù)據(jù)的多標(biāo)簽分類是一個相當(dāng)大的挑戰(zhàn)。當(dāng)我們處理早期的NLP問題時，我們通常會處理單一標(biāo)簽任務(wù)。該級別在實(shí)際數(shù)據(jù)上增加了幾個級別。
在多標(biāo)簽分類問題中，實(shí)例或記錄可以具有多個標(biāo)簽，并且每個實(shí)例的標(biāo)簽數(shù)量不固定。
NeuralClassifier使我們能夠快速實(shí)現(xiàn)分層多標(biāo)簽分類任務(wù)的神經(jīng)模型。NeuralClassifier提供了我們熟悉的各種文本編碼器，如FastText，RCNN，Transformer編碼器等。
我們可以使用NeuralClassifier執(zhí)行以下分類任務(wù)：
二進(jìn)制文本分類
多級文本分類
多標(biāo)簽文本分類
分層（多標(biāo)簽）文本分類
TDEngine（大數(shù)據(jù)）
https://github.com/taosdata/TDengine
TDEngine在上個月的星星數(shù)超過了GitHub上所有其他的新項(xiàng)目。在不到一個月的時間內(nèi)收到了將近10000顆星。
TDEngine是一個用于下列領(lǐng)域的開源大數(shù)據(jù)平臺：
物聯(lián)網(wǎng)（IoT）
聯(lián)網(wǎng)汽車
工業(yè)物聯(lián)網(wǎng)
IT基礎(chǔ)設(shè)施等等。
TDEngine提供了與數(shù)據(jù)工程相關(guān)的一整套任務(wù)。我們可以以超快的速度完成所有這些工作（處理查詢速度提高10倍，計算使用率為1/5）。
有一點(diǎn)目前需要注意，TDEngine僅支持在Linux上執(zhí)行。這個GitHub存儲庫包含了完整的文檔和帶有代碼的入門指南。
視頻對象刪除（CV）
https://github.com/zllrunning/video-object-removal
您是否操作過圖像數(shù)據(jù)？用于操作和處理圖像的計算機(jī)視覺技術(shù)非常先進(jìn)，其中圖像物體檢測被認(rèn)為是成為計算機(jī)視覺專家的基本步驟。
但是操作視頻會怎么樣？當(dāng)我們需要在視頻中的對象周圍繪制邊界框時，難度會提高幾個級別。對象的動態(tài)特征使整個概念更加復(fù)雜。
所以，當(dāng)我看到這個GitHub存儲庫時非常高興。我們只需在視頻中的對象周圍繪制一個邊界框即可將它刪除。 真的非常容易！下面是該項(xiàng)目的一個例子：
Python自動補(bǔ)全（編程）
https://github.com/vpj/python_autocomplete
你會喜歡上這個機(jī)器學(xué)習(xí)項(xiàng)目。作為數(shù)據(jù)科學(xué)家，我們的工作大多數(shù)就是圍繞著算法做實(shí)驗(yàn)。這是一個可以自動完成簡單的LSTM模型的Python代碼的項(xiàng)目。
下面灰色突出顯示的代碼是LSTM模型填寫的內(nèi)容（結(jié)果位于圖像的底部）：
正如開發(fā)人員所說：
我們在python代碼中刪除注釋、字符串和空行后進(jìn)行訓(xùn)練和預(yù)測。在對python代碼進(jìn)行標(biāo)記化之后訓(xùn)練模型。它似乎比使用字節(jié)對編碼的字符級預(yù)測更有效。
如果你曾經(jīng)花費(fèi)或浪費(fèi)時間寫了很差的Python代碼，那么你可能需要它。它現(xiàn)在處于在非常早期的階段，所以還存在一些問題。
tfpyth – TensorFlow to PyTorch to TensorFlow(編程)
https://github.com/BlackHC/tfpyth
TensorFlow和PyTorch都擁有強(qiáng)大的用戶社區(qū)。但令人難以置信的是PyTorch的使用率可能會在未來一兩年內(nèi)超越TensorFlow。這不是打擊TensorFlow，而是相當(dāng)可靠的。
因此，如果你使用TensorFlow編寫了一部分代碼并用PyTorch中編寫了另一部分代碼，并希望將兩者結(jié)合起來訓(xùn)練模型，那么tfpyth框架非常適合你。tfpyth最好的地方是不需要重寫之前的代碼。
這個GitHub存儲庫包含了一個結(jié)構(gòu)良好的示例，說明了如何使用tfpyth。這絕對是TensorFlow與PyTorch之間的一種新的看法，不是嗎？
安裝tfpyth：
python pip install tfpyth
MedicalNet
https://github.com/Tencent/MedicalNet
將遷移學(xué)習(xí)與NLP聯(lián)系起來。當(dāng)我看到這個精彩的MedicalNet項(xiàng)目時，我感到很激動。
這個GitHub存儲庫包含了“Med3D: Transfer Learning for 3D Medical Image Analysis”論文的PyTorch實(shí)現(xiàn)。該機(jī)器學(xué)習(xí)項(xiàng)目將醫(yī)學(xué)數(shù)據(jù)集與不同的模態(tài)，目標(biāo)器官和病理進(jìn)行聚合，以構(gòu)建相對較大的數(shù)據(jù)集。
眾所周知，深度學(xué)習(xí)模型通常需要大量的訓(xùn)練數(shù)據(jù)。因此，TenCent發(fā)布的MedicalNet是一個出色的開源項(xiàng)目，我希望很多人能夠繼續(xù)在它上面工作。MedicalNet的開發(fā)人員已經(jīng)發(fā)布了基于23個數(shù)據(jù)集的四個預(yù)訓(xùn)練模型。
下載1：OpenCV-Contrib擴(kuò)展模塊中文版教程
在「小白學(xué)視覺」公眾號后臺回復(fù)：擴(kuò)展模塊中文教程，即可下載全網(wǎng)第一份OpenCV擴(kuò)展模塊教程中文版，涵蓋擴(kuò)展模塊安裝、SFM算法、立體視覺、目標(biāo)跟蹤、生物視覺、超分辨率處理等二十多章內(nèi)容。
下載2：Python視覺實(shí)戰(zhàn)項(xiàng)目52講 在「小白學(xué)視覺」公眾號后臺回復(fù)：Python視覺實(shí)戰(zhàn)項(xiàng)目，即可下載包括圖像分割、口罩檢測、車道線檢測、車輛計數(shù)、添加眼線、車牌識別、字符識別、情緒檢測、文本內(nèi)容提取、面部識別等31個視覺實(shí)戰(zhàn)項(xiàng)目，助力快速學(xué)校計算機(jī)視覺。
下載3：OpenCV實(shí)戰(zhàn)項(xiàng)目20講 在「小白學(xué)視覺」公眾號后臺回復(fù)：OpenCV實(shí)戰(zhàn)項(xiàng)目20講，即可下載含有20個基于OpenCV實(shí)現(xiàn)20個實(shí)戰(zhàn)項(xiàng)目，實(shí)現(xiàn)OpenCV學(xué)習(xí)進(jìn)階。
交流群
歡迎加入公眾號讀者群一起和同行交流，目前有SLAM、三維視覺、傳感器、自動駕駛、計算攝影、檢測、分割、識別、醫(yī)學(xué)影像、GAN、算法競賽等微信群（以后會逐漸細(xì)分），請掃描下面微信號加群，備注：”昵稱+學(xué)校/公司+研究方向“，例如：”張三 + 上海交大 + 視覺SLAM“。請按照格式備注，否則不予通過。添加成功后會根據(jù)研究方向邀請進(jìn)入相關(guān)微信群。請勿在群內(nèi)發(fā)送廣告，否則會請出群，謝謝理解~