ParlAI

作为Facebook研究项目的一部分，ParlAI是一个用于在各种公开可用的对话数据集上训练和评估AI模型的框架。

 

ParlAI将为研究人员提供访问许多流行数据集的权限，同时拥有用于共享和测试对话模型的统一框架。 您可以在这里阅读更多关于ParlAI的信息。

 

facets

Facets是一种可视化机器学习数据集的工具。可视化实现为Polymer Web组件，由Typescript代码支持，可以轻松嵌入到Jupyter笔记本或网页中。

 

可视化的关键方面是跨多个数据集的异常检测和分布比较。 有趣的值（例如，大部分缺失数据，或跨多个数据集的特征的非常不同的分布）以红色突出显示。

ELF with AlphaGoZero

 

ELF是AlphaGoZero / AlphaZero重新实现的游戏研究平台。 ELF为游戏研究提供端到端解决方案。 它包括微型实时战略游戏环境，并发仿真，数千台机器的分布式培训，直观的API，基于Web的可视化以及由PyTorch提供支持的强化学习框架。

Detectron

Detectron是Facebook AI Research的软件系统，它实现了最先进的物体检测算法，包括Mask R-CNN。 它是用Python编写的，由Caffe2深度学习框架提供支持。

 

Fast Style Transfer 快速风格转移

使用TensorFlow CNN实现，这可能是图像样式传输的最佳示例之一，顾名思义，它的完成速度非常快。 该实现基于Gatys的艺术风格的神经算法，Johnson对实时样式转换和超分辨率的感知损失以及Ulyanov的实例规范化的组合。

 

人脸识别

 

此工具提供简单的面部识别API。 它可以找到面部特征，并可以猜出给定照片中的人物。

使用dlib最先进的面部识别功能构建而成，并通过深度学习构建。 该模型在Wild标记的Labeled Faces中的准确度为99.38％。

这还提供了一个简单的face_recognition命令行工具，可以让您从命令行对图像文件夹进行人脸识别！

 

说到人脸识别，谷歌曾经在2017年发布了一款AI硬件纸盒套件，也是旗下AI开源项目(AIY Projects)的作品。Vision Kit 是一套简单的计算机视觉系统，它可以检测几千种常见物体，但也可以对人类的脸部表情进行检测，并显示出情绪，比如微笑、皱眉、愤怒、开心等等。

皱眉时按钮会变蓝色，微笑则变黄色。若人脸的表情很夸张，设备会发出声音。假如相机看到多张人脸，它将评估每张人脸并计算每张人脸的喜悦分值。

深度照片风格转移 （Deep photo style transfer）

另一个梦幻般的风格转移项 此回购包含代码和研究论文：深度照片风格转移。 它提供了简单的API来合并样式和源图像。 令人印象深刻的图像样式转移。

 

Fast Text

fastText是一个有效学习单词表示和句子分类的库。为了更好地了解这个项目，请转到他们的文本分类教程，该教程展示了如何在监督学习中使用该库。 文本分类的目标是将文档（例如电子邮件，帖子，文本消息，产品评论等）分配给一个或多个类别。

 

AirSim

AirSim是一款基于虚幻引擎的无人机，汽车等模拟器。 它是开源的，跨平台的，它支持硬件在环与流行的飞行控制器，如PX4，用于物理和视觉逼真的模拟。 这是一个Unreal插件，可以简单地插入到你想要的任何虚幻环境中。

 

图像恢复 （Image restoration）

机器学习可以做的比我们想象的要多。 使用Deep Image Prior，它是关于用神经网络修复图像 - 但没有学习。此工具可以恢复带有划痕，坏点和/或不需要的文本标记的损坏图像。

 

Open Pose

Open Pose是第一个在单个图像上联合检测人体，手，面部和足部关键点（总共135个关键点）的实时多人系统。 它可以检测脚，身体，面部和手。

 

pirateAT

PirateAI在模拟环境（岛屿）中训练自主代理（海盗）。 这个仓库运行一个训练管道，在游戏（寻找宝藏）和模型训练课程（Keras + hyperopt）之间交替。

 

EmojiIntelligence

与此列表中的许多项目相比，这相当简单，但它是学习神经网络如何工作的良好起点。 实现是在没有任何库的纯Swift中，并且很容易遵循。

 

基于深度范例的着色 （Deep Exemplar-Based Colorization）

基于深度范例的着色是基于样本的局部着色的第一种深度学习方法。 给定参考彩色图像，我们的卷积神经网络直接将灰度图像映射到输出彩色图像。 这是基于深度范例的着色的论文的实现。

 

感谢您浏览此列表。 我希望你找到了一些激励你并引起你兴趣的东西。 相对来说，机器学习刚刚开始，所以未来肯定会有更多新的有趣项目。