12个的优秀的人工智能开源项目利器
关于人工智能的项目，相信大家都看过或者用过不少了，但它们的大多数看上去都十分“高大上”，让人感觉要掌握他们犹如习屠龙之术一样。事实上，有很多关于人工智能的项目还是十分实用的，而且用途还十分有趣，下面就简单为大家盘点12个功能独特的开源人工智能项目。
一、多样聚类的Scikit-learn推荐理由：基于Scipy为机器学习建造的的一个Python模块，他的特色就是多样化的分类，回归和聚类的算法包括支持向量机，逻辑回归，朴素贝叶斯分类器，随机森林，GradientBoosting，聚类算法和DBSCAN。而且也设计出了Pythonnumerical和scientificlibrariesNumpyandScipy
项目地址：
https://link.zhihu.com/?target=http%3A//www.github.com/scikit-learn/scikit-learn
二、一个高效率的Ramp推荐理由：Ramp是一个在Python语言下制定机器学习中加快原型设计的解决方案的库程序。他是一个轻型的pandas-based机器学习中可插入的框架，它现存的Python语言下的机器学习和统计工具（比如scikit-learn,rpy2等）Ramp提供了一个简单的声明性语法探索功能从而能够快速有效地实施算法和转换。
项目地址
http://www.github.com/kvh/ramp
三、STYLE2PAINTS：强大的为线稿上色的AI推荐理由：新一代的强大线稿上色AI，可根据用户上传的自定义色彩给线稿进行上色。项目提供了在线使用网站，十分方便使用。
项目地址
https://www.oschina.net/p/style2paints
四、SerpentAI：基于Python的教AI打游戏的学习框架推荐理由：SerpentAI旨在为机器学习和AI研究提供一个有价值的工具。但同时，对于爱好者来说，它也是非常有趣的。
Serpent.AI中包含大量支持模块，在以游戏为开发环境时经常遇到的场景提供解决方案，同时也提供加速开发的CLI工具。支持Linux、Windows和MacOS。
SerpentAI是一个 GameAgent框架（ps：在人机对战中，为了区分玩家，通常称机器玩家为agent），简单而又强大。它能把任何一个游戏变成用Python编写的沙盒环境，供开发者在其中创造游戏GameAgent做实验，使用的都是开发者非常熟悉的Python代码。
项目地址
https://www.oschina.net/p/serpentai
五、Synaptic.js：用于浏览器的神经网络库推荐理由：Synaptic.js 是一个用于node.js和浏览器的JavaScript神经网络库，可以构建和训练基本上任何类型的一阶甚至二阶神经网络。
该项目内置了4种经典的神经网络算法：多层感知器（multilayerperceptrons）、长短期记忆网络（multilayerlong-shorttermmemorynetworks）、液体状态机（LiquidStateMachine）、Hopfield神经网络。使用Synaptic.js，你可以轻松测试和比较不同体系结构的性能。
项目地址
https://www.oschina.net/p/serpentai
六、Snake-AI：贪吃蛇游戏的人工智能推荐理由：一个用C/C++语言编写的贪吃蛇游戏的人工智能。使用了最短路径、最长路径、人工智能算法。
AI的目的是让蛇尽可能的吃更多的食物，直到吃满整个地图。
Demo
项目地址
https://www.oschina.net/p/snake-ai
七、Uncaptcha：破解reCAPTCHA系统的AI算法推荐理由：unCAPTCHA算法以85%的成功率击败了GooglereCAPTCHA系统。它依靠音频验证码攻击-使用浏览器自动化软件来解析必要的元素并识别语音号码，并以编程方式传递这些数字，最终成功欺骗目标网站。
项目地址
https://www.oschina.net/p/uncaptcha
八、Sockeye：基于ApacheMXNet的神经机器翻译框架推荐理由：Sockeye 是一个基于 Apache MXNet 的快速而可扩展的深度学习库。
Sockeye 代码库具有来自 MXNet 的独特优势。例如，通过符号式和命令式 MXNet API，Sockeye 结合了陈述式和命令式编程风格；它同样可以在多块GPU上并行训练模型。
Sockeye 实现了 MXNet 上当前最佳的序列到序列模型。它同样为所有序列到序列模型的超参数提供恰当的默认值。对于优化，无需担心停止标准、指标跟踪或者权重初始化。可以简单地运行已提供的训练命令行界面（CLI），也可以轻易改变基础模型架构。
项目地址
https://www.oschina.net/p/sockeye
八、CycleGAN：生成对抗网络图像处理工具推荐理由：这个工具功能十分强大，不仅可将绘画作品“还原”成照片（可理解为是一个“反滤镜”），还能将夏天转换成冬天，或将普通的马转化成斑马。
与其它人工智能绘画不同，CycleGAN的研究团队试图建立一个可双向转化不丢失信息的双向算法。在CycleGAN里照片的细节被要求完全保留，研究人员希望能够将一张图片输入CycleGAN后进行多次反复转化（照片→绘画→照片→绘画→照片），最终可以获得与原始照片相同或相近的图片。
项目地址
https://www.oschina.net/p/cyclegan
十、DeepLearn.js：可实现硬件加速的机器学习JavaScript库DeepLearn.js是谷歌推出的一个可用于机器智能并加速 WebGL 的开源 JavaScript 库，完全在浏览器中运行，不需要安装，不需要后端处理。。
DeepLearn.js提供高效的机器学习构建模块，使我们能够在浏览器中训练神经网络或在推断模式中运行预训练模型。它提供构建可微数据流图的 API，以及一系列可直接使用的数学函数。
虽然浏览器上的机器学习库已经存在多年（例如AndrejKarpathy的convnetjs），但是它们受到JavaScript速度的限制，或者局限于推理而不能用于训练（例如TensorFire）。相比之下，deeplearn.js通过利用WebGL在GPU上执行计算，以及进行完全反向传播（fullbackpropagation）的能力，实现了显着的加速。
项目地址
https://www.oschina.net/p/deeplearn-js
十一、TensorFire：基于WebGL的浏览器端神经网络框架推荐理由：TensorFire是基于WebGL的，运行在浏览器中的神经网络框架。使用TensorFire编写的应用能够在实现前沿深度学习算法的同时，不需要任何的安装或者配置就直接运行在现代浏览器中。
与之前某些浏览器内的神经网络框架相比，TensorFire有着近百倍的速度提升，甚至于能够与那些运行在本地CPU上的代码性能相媲美。
开发者也可以使用TensorFire提供的底层接口来进行其他的高性能计算，譬如PageRank、元胞自动机仿真、图片转化与过滤等等。
项目地址
https://www.oschina.net/p/tensorfire
十二、PHP-ML：PHP机器学习库推荐理由：我们都知道Python或者是C++提供了更多机器学习的库，但他们大多都比较复杂，配置起来让很多新手感到头疼。PHP-ML这个机器学习库虽然没有特别高大上的算法，但其具有最基本的机器学习、分类等算法，小项目或者小公司做一些简单的数据分析、预测等等足以够用。
PHP-ML是使用PHP编写的机器学习库。同时包含算法，交叉验证，神经网络，预处理，特征提取等。
项目地址
https://www.oschina.net/p/php-ml
阅读更多
Android高级进阶之FFmpeg视频播放
11个优秀的Android开源项目
Android开发者不可错过的11个开源项目
NDK项目实战—高仿360手机助手之卸载监听
相信自己，没有做不到的，只有想不到的，如果你觉得此文对您有所帮助，欢迎关注。日更精彩微信号：codeGoogler关于人工智能的项目，相信大家都看过或者用过不少了，但它们的大多数看上去都十分“高大上”，让人感觉要掌握他们犹如习屠龙之术一样。事实上，有很多关于人工智能的项目还是十分实用的，而且用途还十分有趣，下面就简单为大家盘点12个功能独特的开源人工智能项目。
一、多样聚类的Scikit-learn推荐理由：基于Scipy为机器学习建造的的一个Python模块，他的特色就是多样化的分类，回归和聚类的算法包括支持向量机，逻辑回归，朴素贝叶斯分类器，随机森林，GradientBoosting，聚类算法和DBSCAN。而且也设计出了Pythonnumerical和scientificlibrariesNumpyandScipy
项目地址：
https://link.zhihu.com/?target=http%3A//www.github.com/scikit-learn/scikit-learn
二、一个高效率的Ramp推荐理由：Ramp是一个在Python语言下制定机器学习中加快原型设计的解决方案的库程序。他是一个轻型的pandas-based机器学习中可插入的框架，它现存的Python语言下的机器学习和统计工具（比如scikit-learn,rpy2等）Ramp提供了一个简单的声明性语法探索功能从而能够快速有效地实施算法和转换。
项目地址
http://www.github.com/kvh/ramp
三、STYLE2PAINTS：强大的为线稿上色的AI推荐理由：新一代的强大线稿上色AI，可根据用户上传的自定义色彩给线稿进行上色。项目提供了在线使用网站，十分方便使用。
[图片上传失败...(image-a09db7-1513783284687)]
项目地址
https://www.oschina.net/p/style2paints
四、SerpentAI：基于Python的教AI打游戏的学习框架推荐理由：SerpentAI旨在为机器学习和AI研究提供一个有价值的工具。但同时，对于爱好者来说，它也是非常有趣的。
[图片上传失败...(image-d786a5-1513783284687)]
Serpent.AI中包含大量支持模块，在以游戏为开发环境时经常遇到的场景提供解决方案，同时也提供加速开发的CLI工具。支持Linux、Windows和MacOS。
SerpentAI是一个 GameAgent框架（ps：在人机对战中，为了区分玩家，通常称机器玩家为agent），简单而又强大。它能把任何一个游戏变成用Python编写的沙盒环境，供开发者在其中创造游戏GameAgent做实验，使用的都是开发者非常熟悉的Python代码。
项目地址
https://www.oschina.net/p/serpentai
五、Synaptic.js：用于浏览器的神经网络库推荐理由：Synaptic.js 是一个用于node.js和浏览器的JavaScript神经网络库，可以构建和训练基本上任何类型的一阶甚至二阶神经网络。
该项目内置了4种经典的神经网络算法：多层感知器（multilayerperceptrons）、长短期记忆网络（multilayerlong-shorttermmemorynetworks）、液体状态机（LiquidStateMachine）、Hopfield神经网络。使用Synaptic.js，你可以轻松测试和比较不同体系结构的性能。
项目地址
https://www.oschina.net/p/serpentai
六、Snake-AI：贪吃蛇游戏的人工智能推荐理由：一个用C/C++语言编写的贪吃蛇游戏的人工智能。使用了最短路径、最长路径、人工智能算法。
AI的目的是让蛇尽可能的吃更多的食物，直到吃满整个地图。
Demo
[站外图片上传中...(image-3b3c76-1513783284687)]
项目地址
https://www.oschina.net/p/snake-ai
七、Uncaptcha：破解reCAPTCHA系统的AI算法推荐理由：unCAPTCHA算法以85%的成功率击败了GooglereCAPTCHA系统。它依靠音频验证码攻击-使用浏览器自动化软件来解析必要的元素并识别语音号码，并以编程方式传递这些数字，最终成功欺骗目标网站。
[图片上传失败...(image-c9e0c3-1513783284687)]
项目地址
https://www.oschina.net/p/uncaptcha
八、Sockeye：基于ApacheMXNet的神经机器翻译框架推荐理由：Sockeye 是一个基于 Apache MXNet 的快速而可扩展的深度学习库。
Sockeye 代码库具有来自 MXNet 的独特优势。例如，通过符号式和命令式 MXNet API，Sockeye 结合了陈述式和命令式编程风格；它同样可以在多块GPU上并行训练模型。
Sockeye 实现了 MXNet 上当前最佳的序列到序列模型。它同样为所有序列到序列模型的超参数提供恰当的默认值。对于优化，无需担心停止标准、指标跟踪或者权重初始化。可以简单地运行已提供的训练命令行界面（CLI），也可以轻易改变基础模型架构。
项目地址
https://www.oschina.net/p/sockeye
八、CycleGAN：生成对抗网络图像处理工具推荐理由：这个工具功能十分强大，不仅可将绘画作品“还原”成照片（可理解为是一个“反滤镜”），还能将夏天转换成冬天，或将普通的马转化成斑马。
[图片上传失败...(image-83e636-1513783284687)]
与其它人工智能绘画不同，CycleGAN的研究团队试图建立一个可双向转化不丢失信息的双向算法。在CycleGAN里照片的细节被要求完全保留，研究人员希望能够将一张图片输入CycleGAN后进行多次反复转化（照片→绘画→照片→绘画→照片），最终可以获得与原始照片相同或相近的图片。
[图片上传失败...(image-46159d-1513783284687)]
项目地址
https://www.oschina.net/p/cyclegan
十、DeepLearn.js：可实现硬件加速的机器学习JavaScript库DeepLearn.js是谷歌推出的一个可用于机器智能并加速 WebGL 的开源 JavaScript 库，完全在浏览器中运行，不需要安装，不需要后端处理。。
[图片上传失败...(image-89d857-1513783284687)]
DeepLearn.js提供高效的机器学习构建模块，使我们能够在浏览器中训练神经网络或在推断模式中运行预训练模型。它提供构建可微数据流图的 API，以及一系列可直接使用的数学函数。
虽然浏览器上的机器学习库已经存在多年（例如AndrejKarpathy的convnetjs），但是它们受到JavaScript速度的限制，或者局限于推理而不能用于训练（例如TensorFire）。相比之下，deeplearn.js通过利用WebGL在GPU上执行计算，以及进行完全反向传播（fullbackpropagation）的能力，实现了显着的加速。
项目地址
https://www.oschina.net/p/deeplearn-js
十一、TensorFire：基于WebGL的浏览器端神经网络框架推荐理由：TensorFire是基于WebGL的，运行在浏览器中的神经网络框架。使用TensorFire编写的应用能够在实现前沿深度学习算法的同时，不需要任何的安装或者配置就直接运行在现代浏览器中。
[站外图片上传中...(image-2951b5-1513783284687)]
与之前某些浏览器内的神经网络框架相比，TensorFire有着近百倍的速度提升，甚至于能够与那些运行在本地CPU上的代码性能相媲美。
开发者也可以使用TensorFire提供的底层接口来进行其他的高性能计算，譬如PageRank、元胞自动机仿真、图片转化与过滤等等。
项目地址
https://www.oschina.net/p/tensorfire
十二、PHP-ML：PHP机器学习库推荐理由：我们都知道Python或者是C++提供了更多机器学习的库，但他们大多都比较复杂，配置起来让很多新手感到头疼。PHP-ML这个机器学习库虽然没有特别高大上的算法，但其具有最基本的机器学习、分类等算法，小项目或者小公司做一些简单的数据分析、预测等等足以够用。
[图片上传失败...(image-9a5c74-1513783284687)]
PHP-ML是使用PHP编写的机器学习库。同时包含算法，交叉验证，神经网络，预处理，特征提取等。
项目地址
https://www.oschina.net/p/php-ml
阅读更多
Android高级进阶之FFmpeg视频播放
11个优秀的Android开源项目
Android开发者不可错过的11个开源项目
NDK项目实战—高仿360手机助手之卸载监听
关于人工智能的项目，相信大家都看过或者用过不少了，但它们的大多数看上去都十分“高大上”，让人感觉要掌握他们犹如习屠龙之术一样。事实上，有很多关于人工智能的项目还是十分实用的，而且用途还十分有趣，下面就简单为大家盘点12个功能独特的开源人工智能项目。
一、多样聚类的Scikit-learn推荐理由：基于Scipy为机器学习建造的的一个Python模块，他的特色就是多样化的分类，回归和聚类的算法包括支持向量机，逻辑回归，朴素贝叶斯分类器，随机森林，GradientBoosting，聚类算法和DBSCAN。而且也设计出了Pythonnumerical和scientificlibrariesNumpyandScipy
项目地址：
https://link.zhihu.com/?target=http%3A//www.github.com/scikit-learn/scikit-learn
二、一个高效率的Ramp推荐理由：Ramp是一个在Python语言下制定机器学习中加快原型设计的解决方案的库程序。他是一个轻型的pandas-based机器学习中可插入的框架，它现存的Python语言下的机器学习和统计工具（比如scikit-learn,rpy2等）Ramp提供了一个简单的声明性语法探索功能从而能够快速有效地实施算法和转换。
项目地址
http://www.github.com/kvh/ramp
三、STYLE2PAINTS：强大的为线稿上色的AI推荐理由：新一代的强大线稿上色AI，可根据用户上传的自定义色彩给线稿进行上色。项目提供了在线使用网站，十分方便使用。
[图片上传失败...(image-a09db7-1513783284687)]
项目地址
https://www.oschina.net/p/style2paints
四、SerpentAI：基于Python的教AI打游戏的学习框架推荐理由：SerpentAI旨在为机器学习和AI研究提供一个有价值的工具。但同时，对于爱好者来说，它也是非常有趣的。
[图片上传失败...(image-d786a5-1513783284687)]
Serpent.AI中包含大量支持模块，在以游戏为开发环境时经常遇到的场景提供解决方案，同时也提供加速开发的CLI工具。支持Linux、Windows和MacOS。
SerpentAI是一个 GameAgent框架（ps：在人机对战中，为了区分玩家，通常称机器玩家为agent），简单而又强大。它能把任何一个游戏变成用Python编写的沙盒环境，供开发者在其中创造游戏GameAgent做实验，使用的都是开发者非常熟悉的Python代码。
项目地址
https://www.oschina.net/p/serpentai
五、Synaptic.js：用于浏览器的神经网络库推荐理由：Synaptic.js 是一个用于node.js和浏览器的JavaScript神经网络库，可以构建和训练基本上任何类型的一阶甚至二阶神经网络。
该项目内置了4种经典的神经网络算法：多层感知器（multilayerperceptrons）、长短期记忆网络（multilayerlong-shorttermmemorynetworks）、液体状态机（LiquidStateMachine）、Hopfield神经网络。使用Synaptic.js，你可以轻松测试和比较不同体系结构的性能。
项目地址
https://www.oschina.net/p/serpentai
六、Snake-AI：贪吃蛇游戏的人工智能推荐理由：一个用C/C++语言编写的贪吃蛇游戏的人工智能。使用了最短路径、最长路径、人工智能算法。
AI的目的是让蛇尽可能的吃更多的食物，直到吃满整个地图。
Demo
[图片上传失败...(image-3b3c76-1513783284687)]
项目地址
https://www.oschina.net/p/snake-ai
七、Uncaptcha：破解reCAPTCHA系统的AI算法推荐理由：unCAPTCHA算法以85%的成功率击败了GooglereCAPTCHA系统。它依靠音频验证码攻击-使用浏览器自动化软件来解析必要的元素并识别语音号码，并以编程方式传递这些数字，最终成功欺骗目标网站。
[图片上传失败...(image-c9e0c3-1513783284687)]
项目地址
https://www.oschina.net/p/uncaptcha
八、Sockeye：基于ApacheMXNet的神经机器翻译框架推荐理由：Sockeye 是一个基于 Apache MXNet 的快速而可扩展的深度学习库。
Sockeye 代码库具有来自 MXNet 的独特优势。例如，通过符号式和命令式 MXNet API，Sockeye 结合了陈述式和命令式编程风格；它同样可以在多块GPU上并行训练模型。
Sockeye 实现了 MXNet 上当前最佳的序列到序列模型。它同样为所有序列到序列模型的超参数提供恰当的默认值。对于优化，无需担心停止标准、指标跟踪或者权重初始化。可以简单地运行已提供的训练命令行界面（CLI），也可以轻易改变基础模型架构。
项目地址
https://www.oschina.net/p/sockeye
八、CycleGAN：生成对抗网络图像处理工具推荐理由：这个工具功能十分强大，不仅可将绘画作品“还原”成照片（可理解为是一个“反滤镜”），还能将夏天转换成冬天，或将普通的马转化成斑马。
[站外图片上传中...(image-83e636-1513783284687)]
与其它人工智能绘画不同，CycleGAN的研究团队试图建立一个可双向转化不丢失信息的双向算法。在CycleGAN里照片的细节被要求完全保留，研究人员希望能够将一张图片输入CycleGAN后进行多次反复转化（照片→绘画→照片→绘画→照片），最终可以获得与原始照片相同或相近的图片。
[图片上传失败...(image-46159d-1513783284687)]
项目地址
https://www.oschina.net/p/cyclegan
十、DeepLearn.js：可实现硬件加速的机器学习JavaScript库DeepLearn.js是谷歌推出的一个可用于机器智能并加速 WebGL 的开源 JavaScript 库，完全在浏览器中运行，不需要安装，不需要后端处理。。
[图片上传失败...(image-89d857-1513783284687)]
DeepLearn.js提供高效的机器学习构建模块，使我们能够在浏览器中训练神经网络或在推断模式中运行预训练模型。它提供构建可微数据流图的 API，以及一系列可直接使用的数学函数。
虽然浏览器上的机器学习库已经存在多年（例如AndrejKarpathy的convnetjs），但是它们受到JavaScript速度的限制，或者局限于推理而不能用于训练（例如TensorFire）。相比之下，deeplearn.js通过利用WebGL在GPU上执行计算，以及进行完全反向传播（fullbackpropagation）的能力，实现了显着的加速。
项目地址关于人工智能的项目，相信大家都看过或者用过不少了，但它们的大多数看上去都十分“高大上”，让人感觉要掌握他们犹如习屠龙之术一样。事实上，有很多关于人工智能的项目还是十分实用的，而且用途还十分有趣，下面就简单为大家盘点12个功能独特的开源人工智能项目。
一、多样聚类的Scikit-learn推荐理由：基于Scipy为机器学习建造的的一个Python模块，他的特色就是多样化的分类，回归和聚类的算法包括支持向量机，逻辑回归，朴素贝叶斯分类器，随机森林，GradientBoosting，聚类算法和DBSCAN。而且也设计出了Pythonnumerical和scientificlibrariesNumpyandScipy
项目地址：
https://link.zhihu.com/?target=http%3A//www.github.com/scikit-learn/scikit-learn
二、一个高效率的Ramp推荐理由：Ramp是一个在Python语言下制定机器学习中加快原型设计的解决方案的库程序。他是一个轻型的pandas-based机器学习中可插入的框架，它现存的Python语言下的机器学习和统计工具（比如scikit-learn,rpy2等）Ramp提供了一个简单的声明性语法探索功能从而能够快速有效地实施算法和转换。
项目地址
http://www.github.com/kvh/ramp
三、STYLE2PAINTS：强大的为线稿上色的AI推荐理由：新一代的强大线稿上色AI，可根据用户上传的自定义色彩给线稿进行上色。项目提供了在线使用网站，十分方便使用。
[图片上传失败...(image-cf04d1-1513783312474)]
项目地址
https://www.oschina.net/p/style2paints
四、SerpentAI：基于Python的教AI打游戏的学习框架推荐理由：SerpentAI旨在为机器学习和AI研究提供一个有价值的工具。但同时，对于爱好者来说，它也是非常有趣的。
[图片上传失败...(image-1b6d7c-1513783312474)]
Serpent.AI中包含大量支持模块，在以游戏为开发环境时经常遇到的场景提供解决方案，同时也提供加速开发的CLI工具。支持Linux、Windows和MacOS。
SerpentAI是一个 GameAgent框架（ps：在人机对战中，为了区分玩家，通常称机器玩家为agent），简单而又强大。它能把任何一个游戏变成用Python编写的沙盒环境，供开发者在其中创造游戏GameAgent做实验，使用的都是开发者非常熟悉的Python代码。
项目地址
https://www.oschina.net/p/serpentai
五、Synaptic.js：用于浏览器的神经网络库推荐理由：Synaptic.js 是一个用于node.js和浏览器的JavaScript神经网络库，可以构建和训练基本上任何类型的一阶甚至二阶神经网络。
该项目内置了4种经典的神经网络算法：多层感知器（multilayerperceptrons）、长短期记忆网络（multilayerlong-shorttermmemorynetworks）、液体状态机（LiquidStateMachine）、Hopfield神经网络。使用Synaptic.js，你可以轻松测试和比较不同体系结构的性能。
项目地址
https://www.oschina.net/p/serpentai
六、Snake-AI：贪吃蛇游戏的人工智能推荐理由：一个用C/C++语言编写的贪吃蛇游戏的人工智能。使用了最短路径、最长路径、人工智能算法。
AI的目的是让蛇尽可能的吃更多的食物，直到吃满整个地图。
Demo
[图片上传失败...(image-dfc3c6-1513783312474)]
项目地址
https://www.oschina.net/p/snake-ai
七、Uncaptcha：破解reCAPTCHA系统的AI算法推荐理由：unCAPTCHA算法以85%的成功率击败了GooglereCAPTCHA系统。它依靠音频验证码攻击-使用浏览器自动化软件来解析必要的元素并识别语音号码，并以编程方式传递这些数字，最终成功欺骗目标网站。
[图片上传失败...(image-24afb-1513783312474)]
项目地址
https://www.oschina.net/p/uncaptcha
八、Sockeye：基于ApacheMXNet的神经机器翻译框架推荐理由：Sockeye 是一个基于 Apache MXNet 的快速而可扩展的深度学习库。
Sockeye 代码库具有来自 MXNet 的独特优势。例如，通过符号式和命令式 MXNet API，Sockeye 结合了陈述式和命令式编程风格；它同样可以在多块GPU上并行训练模型。
Sockeye 实现了 MXNet 上当前最佳的序列到序列模型。它同样为所有序列到序列模型的超参数提供恰当的默认值。对于优化，无需担心停止标准、指标跟踪或者权重初始化。可以简单地运行已提供的训练命令行界面（CLI），也可以轻易改变基础模型架构。
项目地址
https://www.oschina.net/p/sockeye
八、CycleGAN：生成对抗网络图像处理工具推荐理由：这个工具功能十分强大，不仅可将绘画作品“还原”成照片（可理解为是一个“反滤镜”），还能将夏天转换成冬天，或将普通的马转化成斑马。
[图片上传失败...(image-b795c3-1513783312474)]
与其它人工智能绘画不同，CycleGAN的研究团队试图建立一个可双向转化不丢失信息的双向算法。在CycleGAN里照片的细节被要求完全保留，研究人员希望能够将一张图片输入CycleGAN后进行多次反复转化（照片→绘画→照片→绘画→照片），最终可以获得与原始照片相同或相近的图片。
[图片上传失败...(image-bd1c1c-1513783312474)]
项目地址
https://www.oschina.net/p/cyclegan
十、DeepLearn.js：可实现硬件加速的机器学习JavaScript库DeepLearn.js是谷歌推出的一个可用于机器智能并加速 WebGL 的开源 JavaScript 库，完全在浏览器中运行，不需要安装，不需要后端处理。。
[图片上传失败...(image-d198e0-1513783312474)]
DeepLearn.js提供高效的机器学习构建模块，使我们能够在浏览器中训练神经网络或在推断模式中运行预训练模型。它提供构建可微数据流图的 API，以及一系列可直接使用的数学函数。
虽然浏览器上的机器学习库已经存在多年（例如AndrejKarpathy的convnetjs），但是它们受到JavaScript速度的限制，或者局限于推理而不能用于训练（例如TensorFire）。相比之下，deeplearn.js通过利用WebGL在GPU上执行计算，以及进行完全反向传播（fullbackpropagation）的能力，实现了显着的加速。
项目地址
https://www.oschina.net/p/deeplearn-js
十一、TensorFire：基于WebGL的浏览器端神经网络框架推荐理由：TensorFire是基于WebGL的，运行在浏览器中的神经网络框架。使用TensorFire编写的应用能够在实现前沿深度学习算法的同时，不需要任何的安装或者配置就直接运行在现代浏览器中。
[图片上传失败...(image-7918d5-1513783312474)]
与之前某些浏览器内的神经网络框架相比，TensorFire有着近百倍的速度提升，甚至于能够与那些运行在本地CPU上的代码性能相媲美。
开发者也可以使用TensorFire提供的底层接口来进行其他的高性能计算，譬如PageRank、元胞自动机仿真、图片转化与过滤等等。
项目地址
https://www.oschina.net/p/tensorfire
十二、PHP-ML：PHP机器学习库推荐理由：我们都知道Python或者是C++提供了更多机器学习的库，但他们大多都比较复杂，配置起来让很多新手感到头疼。PHP-ML这个机器学习库虽然没有特别高大上的算法，但其具有最基本的机器学习、分类等算法，小项目或者小公司做一些简单的数据分析、预测等等足以够用。
[图片上传失败...(image-2be3bd-1513783312474)]
PHP-ML是使用PHP编写的机器学习库。同时包含算法，交叉验证，神经网络，预处理，特征提取等。
项目地址
https://www.oschina.net/p/php-ml
阅读更多
Android高级进阶之FFmpeg视频播放
11个优秀的Android开源项目
Android开发者不可错过的11个开源项目
NDK项目实战—高仿360手机助手之卸载监听
相信自己，没有做不到的，只有想不到的，如果你觉得此文对您有所帮助，欢迎关注。日更精彩微信号：codeGoogler
https://www.oschina.net/p/deeplearn-js
十一、TensorFire：基于WebGL的浏览器端神经网络框架推荐理由：TensorFire是基于WebGL的，运行在浏览器中的神经网络框架。使用TensorFire编写的应用能够在实现前沿深度学习算法的同时，不需要任何的安装或者配置就直接运行在现代浏览器中。
[站外图片上传中...(image-2951b5-1513783284687)]
与之前某些浏览器内的神经网络框架相比，TensorFire有着近百倍的速度提升，甚至于能够与那些运行在本地CPU上的代码性能相媲美。
开发者也可以使用TensorFire提供的底层接口来进行其他的高性能计算，譬如PageRank、元胞自动机仿真、图片转化与过滤等等。
项目地址
https://www.oschina.net/p/tensorfire
十二、PHP-ML：PHP机器学习库推荐理由：我们都知道Python或者是C++提供了更多机器学习的库，但他们大多都比较复杂，配置起来让很多新手感到头疼。PHP-ML这个机器学习库虽然没有特别高大上的算法，但其具有最基本的机器学习、分类等算法，小项目或者小公司做一些简单的数据分析、预测等等足以够用。
[图片上传失败...(image-9a5c74-1513783284687)]
PHP-ML是使用PHP编写的机器学习库。同时包含算法，交叉验证，神经网络，预处理，特征提取等。
项目地址
https://www.oschina.net/p/php-ml
阅读更多
Android高级进阶之FFmpeg视频播放
11个优秀的Android开源项目
Android开发者不可错过的11个开源项目
NDK项目实战—高仿360手机助手之卸载监听
关于人工智能的项目，相信大家都看过或者用过不少了，但它们的大多数看上去都十分“高大上”，让人感觉要掌握他们犹如习屠龙之术一样。事实上，有很多关于人工智能的项目还是十分实用的，而且用途还十分有趣，下面就简单为大家盘点12个功能独特的开源人工智能项目。
一、多样聚类的Scikit-learn推荐理由：基于Scipy为机器学习建造的的一个Python模块，他的特色就是多样化的分类，回归和聚类的算法包括支持向量机，逻辑回归，朴素贝叶斯分类器，随机森林，GradientBoosting，聚类算法和DBSCAN。而且也设计出了Pythonnumerical和scientificlibrariesNumpyandScipy
项目地址：
https://link.zhihu.com/?target=http%3A//www.github.com/scikit-learn/scikit-learn
二、一个高效率的Ramp推荐理由：Ramp是一个在Python语言下制定机器学习中加快原型设计的解决方案的库程序。他是一个轻型的pandas-based机器学习中可插入的框架，它现存的Python语言下的机器学习和统计工具（比如scikit-learn,rpy2等）Ramp提供了一个简单的声明性语法探索功能从而能够快速有效地实施算法和转换。
项目地址
http://www.github.com/kvh/ramp
三、STYLE2PAINTS：强大的为线稿上色的AI推荐理由：新一代的强大线稿上色AI，可根据用户上传的自定义色彩给线稿进行上色。项目提供了在线使用网站，十分方便使用。
[图片上传失败...(image-a09db7-1513783284687)]
项目地址
https://www.oschina.net/p/style2paints
四、SerpentAI：基于Python的教AI打游戏的学习框架推荐理由：SerpentAI旨在为机器学习和AI研究提供一个有价值的工具。但同时，对于爱好者来说，它也是非常有趣的。
[图片上传失败...(image-d786a5-1513783284687)]
Serpent.AI中包含大量支持模块，在以游戏为开发环境时经常遇到的场景提供解决方案，同时也提供加速开发的CLI工具。支持Linux、Windows和MacOS。
SerpentAI是一个 GameAgent框架（ps：在人机对战中，为了区分玩家，通常称机器玩家为agent），简单而又强大。它能把任何一个游戏变成用Python编写的沙盒环境，供开发者在其中创造游戏GameAgent做实验，使用的都是开发者非常熟悉的Python代码。
项目地址
https://www.oschina.net/p/serpentai
五、Synaptic.js：用于浏览器的神经网络库推荐理由：Synaptic.js 是一个用于node.js和浏览器的JavaScript神经网络库，可以构建和训练基本上任何类型的一阶甚至二阶神经网络。
该项目内置了4种经典的神经网络算法：多层感知器（multilayerperceptrons）、长短期记忆网络（multilayerlong-shorttermmemorynetworks）、液体状态机（LiquidStateMachine）、Hopfield神经网络。使用Synaptic.js，你可以轻松测试和比较不同体系结构的性能。
项目地址
https://www.oschina.net/p/serpentai
六、Snake-AI：贪吃蛇游戏的人工智能推荐理由：一个用C/C++语言编写的贪吃蛇游戏的人工智能。使用了最短路径、最长路径、人工智能算法。
AI的目的是让蛇尽可能的吃更多的食物，直到吃满整个地图。
Demo
[站外图片上传中...(image-3b3c76-1513783284687)]
项目地址
https://www.oschina.net/p/snake-ai
七、Uncaptcha：破解reCAPTCHA系统的AI算法推荐理由：unCAPTCHA算法以85%的成功率击败了GooglereCAPTCHA系统。它依靠音频验证码攻击-使用浏览器自动化软件来解析必要的元素并识别语音号码，并以编程方式传递这些数字，最终成功欺骗目标网站。
[图片上传失败...(image-c9e0c3-1513783284687)]
项目地址
https://www.oschina.net/p/uncaptcha
八、Sockeye：基于ApacheMXNet的神经机器翻译框架推荐理由：Sockeye 是一个基于 Apache MXNet 的快速而可扩展的深度学习库。
Sockeye 代码库具有来自 MXNet 的独特优势。例如，通过符号式和命令式 MXNet API，Sockeye 结合了陈述式和命令式编程风格；它同样可以在多块GPU上并行训练模型。
Sockeye 实现了 MXNet 上当前最佳的序列到序列模型。它同样为所有序列到序列模型的超参数提供恰当的默认值。对于优化，无需担心停止标准、指标跟踪或者权重初始化。可以简单地运行已提供的训练命令行界面（CLI），也可以轻易改变基础模型架构。
项目地址
https://www.oschina.net/p/sockeye
八、CycleGAN：生成对抗网络图像处理工具推荐理由：这个工具功能十分强大，不仅可将绘画作品“还原”成照片（可理解为是一个“反滤镜”），还能将夏天转换成冬天，或将普通的马转化成斑马。
[站外图片上传中...(image-83e636-1513783284687)]
与其它人工智能绘画不同，CycleGAN的研究团队试图建立一个可双向转化不丢失信息的双向算法。在CycleGAN里照片的细节被要求完全保留，研究人员希望能够将一张图片输入CycleGAN后进行多次反复转化（照片→绘画→照片→绘画→照片），最终可以获得与原始照片相同或相近的图片。
[图片上传失败...(image-46159d-1513783284687)]
项目地址
https://www.oschina.net/p/cyclegan
十、DeepLearn.js：可实现硬件加速的机器学习JavaScript库DeepLearn.js是谷歌推出的一个可用于机器智能并加速 WebGL 的开源 JavaScript 库，完全在浏览器中运行，不需要安装，不需要后端处理。。
[图片上传失败...(image-89d857-1513783284687)]
DeepLearn.js提供高效的机器学习构建模块，使我们能够在浏览器中训练神经网络或在推断模式中运行预训练模型。它提供构建可微数据流图的 API，以及一系列可直接使用的数学函数。
虽然浏览器上的机器学习库已经存在多年（例如AndrejKarpathy的convnetjs），但是它们受到JavaScript速度的限制，或者局限于推理而不能用于训练（例如TensorFire）。相比之下，deeplearn.js通过利用WebGL在GPU上执行计算，以及进行完全反向传播（fullbackpropagation）的能力，实现了显着的加速。
项目地址
https://www.oschina.net/p/deeplearn-js
十一、TensorFire：基于WebGL的浏览器端神经网络框架推荐理由：TensorFire是基于WebGL的，运行在浏览器中的神经网络框架。使用TensorFire编写的应用能够在实现前沿深度学习算法的同时，不需要任何的安装或者配置就直接运行在现代浏览器中。
[图片上传失败...(image-2951b5-1513783284687)]
与之前某些浏览器内的神经网络框架相比，TensorFire有着近百倍的速度提升，甚至于能够与那些运行在本地CPU上的代码性能相媲美。
开发者也可以使用TensorFire提供的底层接口来进行其他的高性能计算，譬如PageRank、元胞自动机仿真、图片转化与过滤等等。
项目地址
https://www.oschina.net/p/tensorfire
十二、PHP-ML：PHP机器学习库推荐理由：我们都知道Python或者是C++提供了更多机器学习的库，但他们大多都比较复杂，配置起来让很多新手感到头疼。PHP-ML这个机器学习库虽然没有特别高大上的算法，但其具有最基本的机器学习、分类等算法，小项目或者小公司做一些简单的数据分析、预测等等足以够用。
PHP-ML是使用PHP编写的机器学习库。同时包含算法，交叉验证，神经网络，预处理，特征提取等。
项目地址
https://www.oschina.net/p/php-ml
相信自己，没有做不到的，只有想不到的如果你觉得此文对您有所帮助，欢迎关注微信公众号：终端研发部
Gitee 上又来了一波最新的人工智能开源项目，不妨来看看
最近Gitee上又有不少优质的人工智能开源项目被推荐，从语义分析到计算机视觉，总有一款是你的菜，一起来看看吧。
1.BasicSR
项目作者：Xintao
开源许可协议：Apache-2.0
项目地址：https://gitee.com/xinntao/BasicSR
BasicSR是一个基于PyTorch的开源图像视频超分辨率(Super-Resolution)工具箱(之后会支持更多的Restoration任务)，包括：EDSR，RCAN，SRResNet，SRGAN，ESRGAN，EDVR等模型，也支持了StyleGAN2和DFDNet。
2.DDParser
项目作者：百度开源
开源许可协议：Apache-2.0
项目地址：https://gitee.com/baidu/DDParser
DDParser(Baidu Dependency Parser)是百度自然语言处理部基于深度学习平台飞桨(PaddlePaddle)和大规模标注数据研发的依存句法分析工具。其训练数据不仅覆盖了多种输入形式的数据，如键盘输入query、语音输入query，还覆盖了多种场景的数据，如新闻、论坛。该工具在随机评测数据上取得了优异的效果。同时，该工具使用简单，一键完成安装及预测。
3.hand-keras-yolo3-recognize
项目作者：cungudafa
开源许可协议：Apache-2.0
项目地址：https://gitee.com/cungudafa/hand-keras-yolo3-recognize
一个基于人体姿态研究的手语图像识别系统。根据OpenPose人体姿态开源模型和YOLOv3自训练手部模型检测视频和图像，再把数字特征进行分类器模型预测，将预测结果以文本形式展现出来。
4.Synonyms
项目作者：Chatopera
开源许可协议：MIT
项目地址：https://gitee.com/chatopera/Synonyms
更好的中文近义词：聊天机器人、智能问答工具包。
synonyms可以用于自然语言理解的很多任务：文本对齐，推荐算法，相似度计算，语义偏移，关键字提取，概念提取，自动摘要，搜索引擎等。
5.detection
项目作者：JJZHK-AI
开源许可协议：Apache-2.0
项目地址：https://gitee.com/jjzhk-ai/detection
囊括了一些常用的目标识别的算法，在这个项目中，实现了SSD，RFB，FSSD，YOLOV3，YOLOV4以及YoloV3+ASFF。
6.familia
项目作者：百度开源
开源许可协议：BSD-3-Clause
项目地址：https://gitee.com/baidu/familia
Familia 开源项目包含文档主题推断工具、语义匹配计算工具以及基于工业级语料训练的三种主题模型：LatentDirichletAllocation(LDA)、SentenceLDA和TopicalWordEmbedding(TWE)。支持用户以“拿来即用”的方式进行文本分类、文本聚类、个性化推荐等多种场景的调研和应用。
如果你想去Gitee看看还有哪些人工智能类开源项目值得关注，那么就点击后面的链接吧：https://gitee.com/explore/ai