2018'de en çok izlenebilir 10 açık kaynak makine öğrenimi projesi
En iyi açık kaynak projeleri
Öncelikle bu yıl en iyi açık kaynak projelerinden bazılarına bakalım.
1. BERT
BERT, doğal dil işleme sorunlarını çözmek için yeni bir yöntem olan Transformer'dan Bidirectional Encoder Representations'ın kısaltmasıdır ve en gelişmiş işleme sonuçlarını elde edebilir. TensorFlow'a dayanmaktadır ve geliştiriciler sorunları çözmek için önceden eğitilmiş modelleri kullanabilir. BERT modelleri, cümlelerin bağlamını tanıdıkları için diğer modellere göre büyük avantajlara sahiptir. Bu proje şu anda Github'da 8841 yıldız ve 1560 çatala sahip.
BERT proje adresi:
https://github.com/google-research/bert
kağıt:
https://arxiv.org/abs/1810.04805
2. DeepCreamPy
Bu, görüntünün eksik alanlarını bir görüntü düzenleme aracı gibi yeniden yapılandırabilen bir derin öğrenme aracıdır. Kullanıcı, görüntünün eksik alanlarını yeşile boyamak için bir görüntü düzenleme aracı kullanır ve bu alanların doldurulmasından sinir ağı sorumludur. Bu proje şu anda GitHub'da 6365 yıldız ve 613 çatala sahip.
proje adresi:
https://github.com/deeppomf/DeepCreamPy
3. TRFL
TRFL'nin telaffuzu yer mantarı (yer mantarı) ile aynıdır ve takviye öğrenme ajanları TensorFlow'a göre geliştirilebilir.
proje adresi:
https://github.com/deepmind
4. ufuk
Horizon n, pekiştirmeli öğrenmeyi uygulamak için bir platformdur. Horizon, PyTorch ile inşa edilmiştir ve Caffe2 model hizmetleri sağlamak için kullanılmaktadır. Horizon'un temel avantajlarından biri, tasarımda üretim ortamının dikkate alınmasıdır.
proje adresi:
https://github.com/facebookresearch/Horizon
5. Söndürmek
DeOldify, adından da anlaşılacağı gibi, eski fotoğrafları geri yüklemek ve renklendirmek için derin bir öğrenme kitaplığıdır. Kütüphanenin yazarı, bu hedefe ulaşmak için Self-Attention Generative Adversarial Networks (https://arxiv.org/abs/1805.08318), Progressive Growing of GANs (https://arxiv.org/abs/) gibi birkaç yöntemi birleştirdi. 1710.10196) ve İki Zaman Ölçekli Güncelleme Kuralı (https://arxiv.org/abs/1706.08500).
proje adresi:
https://github.com/jantic/DeOldify
6.AdaNet
AdaNet, çok fazla uzman müdahalesi olmadan modelleri otomatik olarak öğrenebilen TensorFlow tabanlı bir kütüphanedir. Bu proje AdaNet algoritmasına ( dayanmaktadır.
proje adresi:
https://github.com/tensorflow/adanet
7. Grafik Ağları
Graph Nets, DeepMind tarafından Sonnet ve TensorFlow'da grafik ağları oluşturmak için başlatılan bir kitaplıktır. Grafik ağı, grafikleri girdi olarak alır ve çıktı olarak grafikleri döndürür.
proje adresi:
https://github.com/deepmind/graph_nets
8. Maskrcnn-Benchmark
Bu proje, nesne algılama ve bölümleme araçları oluşturmak için PyTorch kullanıldığında yardımcı olabilir. Bu kütüphanenin avantajları hızlı hız, düşük bellek ayak izi, çoklu GPU eğitimi ve çıkarımdır ve çıkarım için CPU desteği sağlar.
proje adresi:
https://github.com/facebookresearch/maskrcnn-benchmark
9. PocketFlow
PocketFlow, derin öğrenme modellerini hızlandırmak ve sıkıştırmak için bir çerçevedir. Çoğu derin öğrenme modelinin yüksek hesaplama maliyetini çözer. Başlangıçta Tencent AI Lab araştırmacıları tarafından geliştirilmiştir.
proje adresi:
https://github.com/Tencent/PocketFlow
10.MAMEToolkit
MAMEToolKit, atari oyunları için takviye öğrenme algoritmalarını eğitmek için bir kütüphanedir. Bu araç seti, oyunun durumunu izlerken oyun çerçevesi verilerini alabilir.
proje adresi:
https://github.com/M-J-Murray/MAMEToolkit
Makine öğrenimi çerçevesinin ana gelişimi
Şimdi ana makine öğrenimi çerçevesindeki bazı gelişmelere göz atalım.
PyTorch 1.0
Ekim PyTorch konferansında Facebook, PyTorch 1.0'ın bir önizleme sürümünü yayınladı. Yeni sürüm aşağıdaki zorluklardan bazılarını çözecektir: zaman alan eğitim, çok sayıda ağ, yavaş ölçek genişletme ve Python programlama dilinin getirdiği bazı esneklik.
Yeni sürüm, üretim aşaması ile araştırma aşaması arasındaki boşluğu dolduracak bir dizi derleyici aracı (Torch.jit) sunar. Torch.jit, Python'un bir alt kümesi olan Torch Script adlı bir dil içerir. Model istekli moddan grafik moduna değiştirilebilir. Bu, yüksek performanslı ve düşük gecikmeli uygulamalar geliştirmek için çok kullanışlıdır.
Otomatik Keras
Otomatik makine öğrenimi kavramını duymuş olabilirsiniz. Esasen, makine öğrenimi modelinin en iyi parametrelerini otomatik olarak arar. Diğer otomatikleştirilmiş ML çerçeveleri arasında Google'ın AutoML'si bulunur. Auto-Keras, Keras ve ENAS (Neural Architecture Search'ün en son sürümü) kullanılarak geliştirilmiştir.
TensorFlow Sunumu
TensorFlow Sunumu, TensorFlow modellerinin üretim ortamına dağıtılmasını kolaylaştıran bir sistemdir. TensorFlow Serving, 2017'de piyasaya sürüldü. Geliştiricilerin, modelleri üretim ortamlarına dağıtması açısından birçok işi basitleştirmesine yardımcı oldu.
Makine öğrenimi Javascript
Geliştiricilerin tarayıcıda makine öğrenimi modelleri çalıştırmasına izin veren bazı Javascript çerçeveleri vardır. Bu çerçeveler arasında TensorFlow.js ve Keras.js bulunur. Bu modellerin uygulanması, Keras veya TensorFlow gibi geleneksel çerçeveleri kullanmaya çok benzer.
Geleceğe bak
2019'da Auto-Keras gibi otomasyon araçlarının gelişmesiyle geliştiricilerin çalışmalarının daha kolay hale gelmesini bekleyebiliriz. Araştırmanın ilerlemesi ve açık kaynak topluluğunun katkısıyla, çeşitli makine öğrenimi çerçevelerinin performansının da iyileştirilmesini bekleyebiliriz.
Orijinal İngilizce:
https://heartbeat.fritz.ai/2018-year-in-review-machine-learning-open-source-projects-frameworks-430df2fe18cd
