7 лучших проектов глубокого обучения в Github, которые вы должны попробовать сегодня [2022]

Будучи студентом, изучающим глубокое обучение, одна из самых важных вещей, которую вы можете сделать, — это оставаться в курсе текущих событий в вашей области. Чтобы помочь вам в этом, мы подготовили следующий список проектов глубокого обучения в Github, поскольку Github — лучшее место для начала.

Следующие проекты имеют наибольшее количество звезд и коммитов на Github на момент написания этой статьи. Однако некоторые из этих проектов не попали в топ, но весьма актуальны в силу своей применимости. Давайте начнем:

Лучшие проекты глубокого обучения в Github

1. Керас

На момент написания этой статьи Keras возглавлял проекты глубокого обучения на Github. Он имеет около 49 000 звезд и 18,4 вилки. Keras — это API глубокого обучения, который работает поверх TensorFlow, популярной платформы машинного обучения. Keras написан на Python и с легкостью помогает вам работать над проектами глубокого обучения. Это в первую очередь помогает вам быстро проводить исследования и быстрее развертывать.

Поскольку он построен на основе TensorFlow, он также предоставляет вам преимущества этой платформы. Это означает, что вы можете развертывать свои модели Keras через любое встроенное устройство. Он имеет отличную доступность и инфраструктуру отраслевого уровня для масштабирования огромных кластеров графических процессоров.

Изучение Keras необходимо для любого студента, изучающего глубокое обучение. Убедитесь, что вы знакомы с TensorFlow и его приложениями, прежде чем начать изучать Keras, потому что без первого было бы слишком сложно освоить второе.

2. Самые цитируемые статьи по глубокому обучению

В этом проекте Github представлены самые цитируемые статьи по глубокому обучению, опубликованные в период с 2012 по 2016 год. В нем нет статей, опубликованных после 2016 года, потому что с тех пор исследователи и ученые выпустили много документов, и это стало слишком сложным для создателей проекта. .

Несмотря на то, что его статьи могут показаться устаревшими, вы должны прочитать их, потому что они относятся к «классике» статей по глубокому обучению. Многие статьи, представленные в этом проекте, имеют более 200 цитирований. Некоторые из этих статей имеют более 800 ссылок, поэтому вы можете понять их популярность и применимость.

Документы, представленные в этом списке, охватывают многие области, включая речь, НЛП, рекуррентные нейронные сети (РНС), модели сверточных сетей, робототехнику и многое другое.

3. Кафе

Caffe — это открытая платформа для глубокого обучения. Это продукт Berkeley AI Research/The Berkeley Vision and Learning Center. Хотя создатели Caffe хотели, чтобы она сосредоточилась на компьютерном зрении, она стала универсальной библиотекой для глубокого обучения. Caffe имеет процветающее сообщество ученых-исследователей, а также профессиональных пользователей, поэтому вы можете легко найти помощь во время работы с ним.

Он отлично подходит для развертывания сверточных сетей и работы с речью, зрением и другими проектами глубокого обучения. Он может обрабатывать более 60 миллионов изображений в день, поэтому он, несомненно, является подходящим инструментом и для проектов компьютерного зрения.

4. Блокноты машинного обучения

Machine Learning Notebooks, один из самых популярных проектов глубокого обучения на Github, помогает изучить основы машинного обучения в Python. В нем также есть пример кода с решениями упражнений. В нем есть несколько записных книжек Jupyter, которые демонстрируют основы машинного обучения (и глубокого обучения) в Python с помощью TensorFlow и Scikit-Learn.

Блокноты Jupyter интерактивны и помогают опробовать код внутри блокнота. Они являются продуктом jupyter.org и являются инструментами с открытым исходным кодом.

Большинство упражнений, представленных в этом проекте, доступны в книге «Практическое машинное обучение с помощью Scikit-Learn и TensorFlow». Прежде чем вы начнете учиться в этом проекте, убедитесь, что вы знаете о TensorFlow и Scikit-Learn. Оба они являются широко популярными инструментами среди профессионалов в области глубокого обучения, и вы должны быть знакомы с ними, прежде чем приступить к работе над этим.

Вам может показаться немного сложным работать над некоторыми задачами, описанными в этом проекте, поэтому было бы лучше пройти курс машинного обучения и получить персонализированный опыт обучения.

5. MXNet — Апач

MXNet — это среда глубокого обучения с открытым исходным кодом, которая помогает вам быстро выполнять исследовательские прототипы и обеспечивает гибкость для быстрого производства. Он обеспечивает масштабируемое распределенное обучение, поскольку поддерживает Horovod и Parameter Server. Он интегрирован в Python и поддерживает несколько известных языков, таких как C++, Julia, Clojure, Perl, R и Scala.

Еще одна причина его огромной популярности — обширная экосистема библиотек и инструментов для временных рядов, обработки естественного языка, компьютерного зрения и других. Некоторыми из этих инструментов и библиотек являются GluconTS, GluconCV, D2L.ai и GluconNLP. Все эти инструменты и библиотеки помогут вам в конкретных областях глубокого обучения. Например, GluconCV — это набор инструментов для компьютерного зрения, который позволяет вам оценивать позу, а также обнаруживать объекты. Он имеет лицензию Apache-2.0 и является одним из обязательных инструментов для любого специалиста по глубокому обучению, поэтому обязательно ознакомьтесь с ним во время его изучения.

Оформить заказ: лучшие проекты машинного обучения в Github

6. фастай

fastai — библиотека для упрощенного и быстрого обучения нейронных сетей. Он имеет встроенную поддержку табличных моделей, машинного зрения, совместной фильтрации и текстовых моделей. Это один из проектов глубокого обучения на Github, потому что он также предлагает учебные пособия и руководства по использованию fast.ai.

Знакомство с распространенными библиотеками и фреймворками поможет вам как профессионалу в области глубокого обучения. Поэтому вы должны быть с ними знакомы. В этом проекте также есть примеры реализации и вариантов использования fast.ai, чтобы вы могли легко понять, как применять эту библиотеку в реальных проектах.

7. ЦНТК

Microsoft Cognitive Toolkit (CNTK) — это набор инструментов с открытым исходным кодом для приложений глубокого обучения. Вы можете комбинировать различные известные типы моделей и быстро их реализовывать. Некоторые из этих типов моделей включают рекуррентные сети, DNN с прямой связью, а также CNN. Он применяет обучение SGD (стохастический градиентный спуск) с автоматическим распараллеливанием и дифференциацией между серверами.

Он имеет лицензию с открытым исходным кодом и одно из лучших сообществ. CNTK находит применение во многих отраслях, и вам, возможно, придется быть знакомым с ним, чтобы работать над некоторыми проектами. Так что было бы лучше, если бы вы узнали об этом, прежде чем выйти на рынок. Microsoft Cognitive Toolkit также постоянно обновляется, поэтому вы не найдете в нем устаревших инструментов или реализаций.

Читайте также: Лучшие проекты Python на Github

Узнайте больше о глубоком обучении

Изучение глубокого обучения и смежных тем может потребовать много усилий. Мы предлагаем вам прочитать больше на эту тему, чтобы понять глубокое обучение с большей эффективностью.

Если вам интересно узнать больше о машинном обучении, ознакомьтесь с дипломом PG IIIT-B и upGrad в области машинного обучения и искусственного интеллекта, который предназначен для работающих профессионалов и предлагает более 450 часов тщательного обучения, более 30 тематических исследований и заданий, IIIT- Статус B Alumni, более 5 практических практических проектов и помощь в трудоустройстве в ведущих фирмах.