本文整理了 GitHub 上最流行的 57 款深度学习项目（按 stars 排名）。 最后更新：2016.08.09 1.TensorFlow Stars：29622 使用数据流图计算可扩展机器学习问题。 TensorFlow 是谷歌的第二代机器学习系统，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 内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。
2.Caffe Stars：11799 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。 3.Neural style Stars：10148 Torch实现的神经网络算法。 Neural style 是让机器模仿已有画作的绘画风格来把一张图片重新绘制的算法。 4.deepdream Stars：9042 Deep Dream，一款图像识别工具 5.Keras Stars：7502 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（Python 2.7-3.5.）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。 6.RocAlphaGo Stars：7170 学生主导的一个独立项目，从新实现了 DeepMind在2016 Nature发表的内容， 《用深度神经网络和树搜索学习围棋》 (Nature 529, 484-489, 28 Jan 2016). 7.TensorFlow Models Stars：6671 基于TensorFlow开发的模型 8.Neural Doodle Stars：6275 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） 9.CNTK Stars：5957 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Azure GPU Lab）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。 10.TensorFlow Examples Stars：5872 适合初学者的 TensorFlow 教程和代码示例，做了相关笔记和代码解释。 11.ConvNet JS Stars：5231 ConvNetJS 是用 JavaScript 实现的神经网络，同时还有基于浏览器的 demo。 12.Torch Stars：5133 Torch7，深度学习库。 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。 13.OpenFace Stars：4855 基于深度学习网络的面部识别。 14.MXNet Stars：4685 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，内存使用高效。这个库便携，轻量，而且能够扩展到多个GPU和多台机器。 15.Theano Stars：4286 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。 16.Leaf Stars：4281 黑客的开源机器智能框架。 17.Char RNN Stars：3820 多层递归神经网络的字符级别语言模型，基于Torch开发。 18.Neural Talk Stars：3694 NeuralTalk是一个Python numpy项目，用多模式递归神经网络描述图像。 19.deeplearning4j Stars：3673 基于Hadoop 和 Spark的Java, Scala |
|
声明：文章版权归原作者所有 部分文章转自互联网 如有侵权请联系
[邮箱地址] 删除
|
注册
登录
