哪個平臺有最新的機器學習發展現狀和最先進的代碼?沒錯——Github!本文將會分享近期發布的七大GitHub機器學習項目。這些項目廣泛覆蓋了機器學習的各個領域，包括自然語言處理(NLP)、計算機視覺、大數據等。

頂尖的Github機器學習項目

1. PyTorch-Transformers(NLP)

傳送門：https://github.com/huggingface/pytorch-transformers

自然語言處理(NLP)的力量令人嘆服。NLP改變了文本的處理方式，幾乎到了無法用語言描述的程度。

在最先進的一系列NLP庫中，PyTorch-Transformers出現最晚，卻已打破各種NLP任務中已有的一切基準。它最吸引人的地方在于涵蓋了PyTorch實現、預訓練模型權重及其他重要元素，可以幫助用戶快速入門。

運行最先進的模型需要龐大的計算能力。PyTorch-Transformers在很大程度上解決了這個問題，它能夠幫助這類人群建立起最先進的NLP模型。

這里有幾篇深度剖析PyTorch-Transformers的文章，可以幫助用戶了解這一模型(及NLP中預訓練模型的概念)：

• PyTorch-Transformers：一款可處理最先進NLP的驚人模型庫(使用Python)：https://www.analyticsvidhya.com/blog/2019/07/pytorch-transformers-nlp-python/?utm_source=blog&utm_medium=7-innovative-machine-learning-github-projects-in-python
• 8個入門NLP最優秀的預訓練模型：https://www.analyticsvidhya.com/blog/2019/03/pretrained-models-get-started-nlp/?utm_source=blog&utm_medium=7-innovative-machine-learning-github-projects-in-python
• PyTorch——一個簡單而強大的深度學習庫：https://www.analyticsvidhya.com/blog/2018/02/pytorch-tutorial/?utm_source=blog&utm_medium=7-innovative-machine-learning-github-projects-in-python

2. NeuralClassifier (NLP)

傳送門：https://github.com/Tencent/NeuralNLP-NeuralClassifier

在現實世界中，文本數據的多標簽分類是一個巨大的挑戰。早期面對NLP問題時，我們通常處理的是單一標簽任務，但在真實生活中卻遠不是這么簡單。

在多標簽分類問題中，實例/記錄具備多個標簽，且每個實例的標簽數量并不固定。

NeuralClassifier使我們能夠在多層、多標簽分類任務中快速實現神經模型。我最喜歡的是NeuralClassifier，提供了各種大眾熟知的文本編碼器，例如FastText、RCNN、Transformer等等。

用NeuralClassifier可以執行以下分類任務：

• 雙層文本分類
• 多層文本分類
• 多標簽文本分類
• 多層(多標簽)文本分類

以下兩篇優秀的文章介紹了究竟什么是多標簽分類，以及如何在Python中執行多標簽分類：

• 使用NLP預測電影類型——多標簽分類的精彩介紹：https://www.analyticsvidhya.com/blog/2019/04/predicting-movie-genres-nlp-multi-label-classification/?utm_source=blog&utm_medium=7-innovative-machine-learning-github-projects-in-python
• 使用Python構建你的第一個多標簽圖像分類模型：https://www.analyticsvidhya.com/blog/2019/04/build-first-multi-label-image-classification-model-python/?utm_source=blog&utm_medium=7-innovative-machine-learning-github-projects-in-python

3. TDEngine (大數據)

傳送門：https://github.com/taosdata/TDengine

TDEngine數據庫在幾乎不到一個月的時間內就累積了近10,000個star。繼續往下讀，你立馬就能明白這是為何。

TDEngine是一個開源大數據平臺，針對：

• 物聯網(IoT)
• 車聯網
• 工業物聯網
• IT基礎架構等等

本質上，TDEngine提供了一整套與數據工程相關的任務，用戶可以用極快的速度完成所有這些工作(查詢處理速度將提高10倍，計算使用率將降低到1/5)。

目前有一點需要注意——TDEngine僅支持在Linux上執行。TDEngine數據庫包含完整的文件資料以及包含代碼的入門指南。

建議你閱讀這一篇針對數據工程師的綜合資源指南：

• 想成為數據工程師?這里列出了入門應看的綜合資源：https://www.analyticsvidhya.com/blog/2018/11/data-engineer-comprehensive-list-resources-get-started/?utm_source=blog&utm_medium=7-innovative-machine-learning-github-projects-in-python

4. Video Object Removal (計算機視覺)

傳送門：https://github.com/zllrunning/video-object-removal

你是否接觸過圖像數據?計算機視覺是一種十分先進的技術，用于操縱和處理圖像的。想要成為計算機視覺專家，圖像的目標檢測通常被認為是必經之路。

那么視頻呢?如果要對幾個視頻中的目標繪制邊界框，雖然看似簡單，實際難度卻遠不止如此，而且目標的動態性會使任務更加復雜。

所以Video Object Removal非常棒，只要在視頻中某一目標周圍繪制邊界框，即可將它刪除。就是這么簡單!以下是一個范例：

如果你在計算機視覺的世界里還是個小白，這里有兩篇能幫助你入門并快速上手的文章：

• 對基礎目標檢測算法的全面介紹：https://www.analyticsvidhya.com/blog/2018/10/a-step-by-step-introduction-to-the-basic-object-detection-algorithms-part-1/?utm_source=blog&utm_medium=7-innovative-machine-learning-github-projects-in-python
• 使用深度學習2.0掌握計算機視覺：https://courses.analyticsvidhya.com/courses/computer-vision-using-deep-learning-version2/?utm_source=blog&utm_medium=7-innovative-machine-learning-github-projects-in-python

5. Python Autocomplete (編程)

傳送門：https://github.com/vpj/python_autocomplete

你一定會愛上Python Autocomplete的。數據科學家的所有工作就是對各種算法進行試驗(至少是大多數人)，而Python Autocomplete可以利用一個LSTM簡單模型自動寫完Python代碼。

下圖中，灰色的部分就是LSTM模型自動填寫的代碼(結果位于圖像底部)：

開發人員如是描述：

首先清除Python代碼中的注釋、字符串和空行，然后進行訓練和預測。模型訓練的前提是對python代碼進行標記化，相比使用字節編碼來預測字節，這似乎更為有效。

如果你曾花費(浪費)時間編寫一行行單調的Python代碼，那么這一模型可能正是你所尋找的。不過它的開發還處于非常早期的階段，操作中不可避免會出現一些問題。

如果你想知道LSTM到底是什么，請閱讀這篇文章中的介紹：

• 深度學習的要點：長短時記憶(LSTM)入門：https://www.analyticsvidhya.com/blog/2017/12/fundamentals-of-deep-learning-introduction-to-lstm/?utm_source=blog&utm_medium=7-innovative-machine-learning-github-projects-in-python

6. tfpyth–從TensorFlow到PyTorch再到TensorFlow (編程)

傳送門：https://github.com/BlackHC/tfpyth

TensorFlow和PyTorch兩大模型都坐擁龐大的用戶群，但后者的使用率高得驚人，在未來一兩年內很可能超過前者。不過請注意：這并不會打擊Tensorflow，因為它的地位相當穩固。

所以如果你曾經在TensorFlow中寫了一串代碼，后來又在PyTorch中寫了另一串代碼，現在希望將兩者結合起來用以訓練模型——那么tfpyth框架會是一個好選擇。Tfpyth最大的優勢就在于用戶不需要重寫先前寫好的代碼。

這一項目對tfpyth的使用方法給出了結構嚴謹的示例，這無疑是對TensorFlow與PyTorch爭論的一種重新審視。

安裝tfpyth易如反掌：

pip install tfpyth 

以下是兩篇深度介紹TensorFlow和PyTorch如何運作的文章：

• 深度學習指南：使用Python中的TensorFlow實現神經網絡：https://www.analyticsvidhya.com/blog/2016/10/an-introduction-to-implementing-neural-networks-using-tensorflow/?utm_source=blog&utm_medium=7-innovative-machine-learning-github-projects-in-python
• PyTorch——一個簡單而強大的深度學習庫：https://www.analyticsvidhya.com/blog/2018/02/pytorch-tutorial/?utm_source=blog&utm_medium=7-innovative-machine-learning-github-projects-in-python

7. MedicalNet

MedicalNet中包含了一個PyTorch項目，該項目將《Med3D：用遷移學習分析3D醫學圖像》(https://arxiv.org/abs/1904.00625)這篇論文中的想法付諸實踐。這一機器學習項目將醫學數據集與不同的模態、目標器官和病理結合起來，以構建規模較大的數據集。

眾所周知，深度學習模型(通常)需要大量訓練數據，而TenCent發布的MedicalNet是一個相當出色的開源項目，希望大家都能嘗試使用它。

MedicalNet的開發人員已經發布了四個預訓練模型，這些模型基于23個數據集。如果你需要，下文對遷移學習進行了直觀的介紹：

• 遷移學習及在深度學習中使用預訓練模型的藝術：https://www.analyticsvidhya.com/blog/2017/06/transfer-learning-the-art-of-fine-tuning-a-pre-trained-model/?utm_source=blog&utm_medium=7-innovative-machine-learning-github-projects-in-python