推荐GitHub 上 57 款最流行的开源深度学习项目
本文整理了 GitHub 上最流行的 57 款深度学习项目(按 stars 排名)。
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。
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。
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。
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).
Stars:6671
基于TensorFlow开发的模型
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。
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。
Stars:3673
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Apache 2.0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。
20.TFLearn
Stars:3368
深度学习库,包括高层次的TensorFlow接口。
Stars:3352
神经网络模型示例。
22.OpenAI Gym
Stars:3020
一种用于开发和比较强化学习算法的工具包。
23.Magenta
Stars:2914
Magenta: 音乐和艺术的生成与机器智能
Google Brain团队的一组研究人员发布了一个项目Project Magenta,其主要目标是利用机器学习创作艺术和谱写曲子。Project Magenta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。Project Magenta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。
24.Colornet
Stars:2798
用神经网络模型给灰度图上色。
25.Synaptic
Stars:2666
基于node.js和浏览器的免架构神经网络库。
Stars:2550
Torch开发的图像简介生成代码,运行在GPU上。
Stars:2540
使用神经匹配和融合生成相似图形。
Stars:2413
Tensorflow,从基础原理到应用。
29.Lasagne
Stars:2355
基于Theano训练和构建神经网络的轻型函数库。
30.PyLearn2
Stars:2153
基于Theano的机器学习库。
31.LISA-lab Deep Learning Tutorials
Stars:2134
深度学习教程笔记和代码。详情参见wiki页面。
32.Neon
Stars:2121
Nervana™开发的一款快速、可扩展、易上手的Python深度学习框架.
neon 是 Nervana System 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。
33.Matlab Deep Learning Toolbox
Stars:2032
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。
Stars:1721
使用深度强化学习破解Flappy Bird游戏(深度 Q-学习).
35.dl-setup
Stars:1607
在深度学习机上设置软件说明。
36.Chainer
Stars:1573
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。
Stars:1514
看图讲故事的递归神经网络模型。
38.DIGITS
Stars:1353
深度学习GPU训练系统。
39.Deep Jazz
Stars:1229
基于Keras和Theano生成jazz的深度学习模型!
40.Tiny DNN
Stars:1183
仅引用头文件,无依赖且使用 C ++ 11 的深度学习框架
41.Brainstorm
Stars:1143
快速、灵活、有趣的神经网络。
42.dl-docker
Stars:1044
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)。
43.Darknet
Stars:937
C语言版本的开源神经网络。
Stars:904
基于Theano的机器学习入门教程,从线性回归到卷积神经网络。
Stars:904
一款生成古典音乐的递归神经网络工具。
46.Blocks
Stars:866
用于构建和训练神经网络模型的Theano框架
47.TDB
Stars:860
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 Jupyter Notebook 扩展的结合,构建 Google 的 TensorFlow 框架。
Stars:849
深度神经网络入门工具,类似scikit-learn的分类器和回归模型。
49.Veles
Stars:760
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。
50.Deep Detect
Stars:759
基于C++11的深度学习接口和服务器,与Python绑定并支持Caffe。
Stars:759
基于Google Tensorflow的深度Q学习演示。
Stars:724
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。
53.Nolearn
Stars:702
神经网络库的抽象,著名的Lasagne。
Stars:568
基于tensorflow实现的深度卷积生成对抗网络。
55.MatConvNet
Stars:479
MATLAB CNN 计算机视觉应用工具箱。
56.DeepCL
Stars:413
用于训练深度卷积神经网络模型的OpenCL库。
Stars:304
可视化搜索服务器。一个简单使用TensorFlow,InceptionV3模型和AWS GPU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。