首先，让我们看看今年的一些顶级开源项目。1。BERTBERT是变压器双向编码器表示的缩写。它是解决自然语言处理问题的一种新方法，可以获得最先进的处理结果。它是基于TensorFlow的，开发人员可以使用预先训练的模型来解决问题。BERT模型比其他模型具有更大的优势，因为它们可以识别句子的上下文。该项目目前在Github上有8841颗星和1560个分叉。BERT项目地址：https://github.com/google-./bert.：https://arxiv.org/abs/1810.048052。深层CreamPy是一个深层学习工具，可以像图像编辑工具一样重建图像缺失区域。用户使用图像编辑工具将图像缺失的区域绘制成绿色，而神经网络负责将这些区域填充内容。该项目目前在GitHub上有6365个启动和613个分支。项目地址：https://github.com/deeppomf/DeepCreamPy3.TRFL的发音与块菌（truffle）相同。它可以开发基于TensorFlow的增强学习代理。项目地址：https://github.com/deepmind4.Horizo n Horizo n是一个应用强化学习的平台。Horizo n使用PyTorch进行构建，使用Caffe2提供模型服务。Horizo n的主要优点之一是在设计中考虑了生产环境的使用场景。项目地址：HTTPS://GITHUBCOM/FooBoooCurdie/Value5.Doodidiy，顾名思义，是一个用于恢复旧照片和着色的深学习库。该库的作者结合了几种方法来实现这个目标，例如自注意生成对抗网络（https://arxiv.org/abs/1805.08318）、GAN的渐进增长（https://arxiv.org/abs/1710.10196）和两个时间尺度更新规则（https://arxiv.org/abs/1706.08500）。项目地址：https://github.com/jantic/DeOldify 6.AdaNet AdaNet是一个基于TensorFlow的库，它自动学习模型而无需大量的专家干预。该项目基于AdaNet算法（http://..mlr.press/v70/cortes17a.html）。项目地址：https://github.com/.orflow/adanet7.Graph Nets Graph Nets是由DeepMind发起的一个库，用于在Snnet和TensorFlow中构建图形网络。图形网络将图形作为输入并返回图形作为输出。项目地址：https://github.com/deep./._nets8。该库具有速度快、内存利用率低、多GPU训练和推理、CPU支持推理等优点。项目地址：https://github.com/facebook./maskrcnn-benchmark 9.PocketFlow是一个用于加速和压缩深度学习模型的框架。它解决了大多数深度学习模型计算量大的问题。它最初是由腾讯人工智能实验室的研究人员开发的。项目地址：https://github.com/Ten./PocketFlow 10.MAMEToolkit MAMEToolKit是一个用于训练街机游戏强化学习算法的库。该工具包可以在跟踪游戏状态的同时接收游戏帧数据。项目地址：https://github.com/M-J-Murray/MAMEToolkitML框架的主要进展10月份的PyTorch 1.0发布期间，Facebook发布了PyTorch 1.0的预览。新版本将解决以下挑战：耗时的培训、大量的网络、缓慢的扩展以及Python编程语言带来的一些灵活性。新版本引入了一组编译器工具（Torch.这将弥合生产和研究阶段之间的鸿沟。火炬。JIT包含一种名为Torch Script的语言，它是Python的子集。模型可由热切模式转换为图形模式。这对于开发高性能和低延迟应用程序非常有用。Auto-Keras您可能听说过自动机器学习的概念。本质上，它是自动搜索机器学习模型的最佳参数。其他自动化ML框架包括Google的AutoML。Auto-Keras是使用Keras和ENAS（神经架构搜索的最新版本）开发的。TensorFlowServiceTensorFlowService是一个使TensorFlow模型更容易部署到生产环境的系统。TensorFlowSer.，在2017年发布，帮助开发人员简化了将模型部署到生产环境的大量工作。机器学习Javascript有几个Javascript框架，允许开发人员在浏览器上运行机器学习模型。这些框架包括TensorFlow.js和Keras.js。这些模型的实现与使用传统框架（如Keras或TensorFlow）非常相似。展望2019年，随着Auto-Keras等自动化工具的进步，我们可以期望开发人员更容易地工作。随着研究的进展和开源社区的贡献，我们也可以期望改进各种机器学习框架的性能。英文原件：https://heart..fritz.ai/2018-in-.-machine-.-open-source-project-frameworks-430df2fe18cd