新智元原创

来源：Github

整理&作者：文强

　　新智元启动 2017 最新一轮大招聘：COO、总编、主笔、运营总监、视觉总监等８大职位全面开放。

　　新智元为COO和执行总编提供最高超百万的年薪激励；为骨干员工提供最完整的培训体系、高于业界平均水平的工资和奖金。加盟新智元，与人工智能业界领袖携手改变世界。

　　简历投递：jobs@aiera.com.cn HR 微信：13552313024

　　【新智元导读】距离上次新智元整理报道“最受欢迎的 Github 深度学习项目”已经过去大半年。在这期间，又涌现出不少值得关注的新项目，而以前榜单上的项目也有不小的变化。本次统计将常用深度学习开源框架也纳入统计，以供参考，比如 TensorFlow 就从去年 8 月 29622 颗星变为 56796 颗星，实力惊人。下面，就来看看截止到 2017年 5月14日，Github 最受欢迎的深度学习项目 TOP 20 是哪些吧（统计难免不完善，欢迎评论补充）。我们的这份榜单也会持续更新。

　　1. TensorFlow

　　Star：56,796

　　Github 地址：https://github.com/tensorflow/tensorflow

　　TensorFlow是一个开源软件库，使用数据流图（data flow graph）进行数值计算。图中的节点表示数学运算，而图形边缘表示在它们之间流动的多维数据阵列（张量）。 这种灵活的架构让人能将计算部署到桌面、服务器或移动设备中的一个或多个CPU或GPU，而无需重写代码。TensorFlow 还有一个数据可视化工具包 TensorBoard。

　　TensorFlow 由 Google Brain 团队研究人员和工程师开发，用于进行机器学习和深层神经网络研究。不久前发布了 TensorFlow 1.0 版本。

　　2. scikit-learn

　　Star：18,516

　　Github 地址：https://github.com/scikit-learn/scikit-learn

　　scikit-learning是一个用于机器学习的 Python 模块，建立在 SciPy 之上，并按照 3-Clause BSD 许可证分发。该项目于 2007 年由 David Cournapeau 开始，作为“Google夏季代码”项目，此后，许多志愿者做出了贡献。目前由志愿者团队维护。

　　志愿者的力量是强大的。

　　

　　3. Caffe（Caffe2）

　　Star：17,795

　　Github 地址：https://github.com/BVLC/caffe

　　Caffe 是一个深刻的学习框架，设计时注重表达（expression）、速度和模块化。根据 Github 介绍，Caffe 由伯克利 AI（BAIR）/伯克利视觉与学习中心（BVLC）及社区贡献者开发。Caffe 有一个非常活跃的开发者社区。

　　去年 11 月，Caffe 主要作者、Facebook 研究科学家贾扬清在 Facebook 官往发文，介绍了 Caffe2go，一款规模更小、训练速度更快、对计算性能要求较低的机器学习框架，在手机上也能运行神经网络模型。但令人震惊，Caffe2go 截止发稿前 Github 星级为 0。

　　今年 4月，Facebook 宣布开源跨平台的深度学习框架 Caffe2，轻量级、模块化，在移动端和云上都做了优化。同时提供的还有 C++ 和 Python API，以及模型库 Caffe2 Model Zoo，里面有视觉、语音、翻译等预训练模型，方便开发人员和研究者直接使用。Caffe2 目前在 Github 星级为 4602。

　　Caffe2 Github 地址：https://github.com/caffe2/caffe2

　　4. Keras

　　Star：15,515

　　GitHub 地址：https://github.com/fchollet/keras

　　Keras是一个高级神经网络 API，用 Python 编写，能够运行在 TensorFlow 或者 Theano 上。Keras 的开发重点是实现快速实验，能够用尽可能少的延迟从理念到结果，是进行良好研究的关键，也是 Keras 受欢迎的一大原因。

　　5. Show and Tell：神经图说生成器

　　Star：14,620（去年 8 月 10,563）

　　GitHub 地址：https://github.com/tensorflow/models/tree/master/im2txt

　　这是 Oriol Vinyals et. al.（2016）的论文“Show and Tell: Lessons learned from the 2015 MSCOCO Image Captioning Challenge”的用TensorFlow实现的 image-to-text 图片说明生成模型。

　　Show and Tell 模型是一个学习如何描述图片的深度神经网络。生成的图片说明是一个完整的句子，下面是一些例子：

　　

　　5. Neural Style

　　Star：13,673（去年 8 月为 10,148）

　　Github 地址：https://github.com/jcjohnson/neural-style

　　这个项目是用 Torch 对 Leon A. Gatys, Alexander S. Ecker, 和 Matthias Bethge 等人的论文“A Neural Algorithm of Artistic Style”的一个实现。论文中提出一种算法，用卷积神经网络将一幅图像的内容与另一幅图像的风格进行组合。下面是一个将梵高《星夜》的艺术风格转移到斯坦福大学校园夜景的照片中的效果：

　　

　　将不同的艺术风格应用到同样一幅图像中会得出有趣的效果。论文中提供了各种风格的德国宾根大学图像：

　　

　　6. CNTK

　　Star：10,673

　　Github 地址：https://github.com/Microsoft/CNTK

　　CNTK 是微软的开源深度学习框架，支持大部分流行的神经网络。2015 年 2 月，官方报道了一个基准性能测试结果，针对一个 4 层全连接神经网络，CNTK 与 Caffe、TensorFlow、Theano 和 Torch 对比，速度要快上 1.5 倍。

　　去年 10 月，微软提供了 CNTK 升级版。本次升级最大的亮点在于增加了 Python 绑定。另外，新版本工具包跨服务器处理能力也得到了提升，能有效加快处理速度，并支持增强学习的实践。

　　7. Tesseract

　　Star：10,370

　　Github 地址：https://github.com/tesseract-ocr/tesseract

　　Tesseract 支持 unicode（UTF-8），可以直接识别超过 100 种语言，也可以在训练后识别其他语言。

　　Tesseract 支持各种输出格式：plain-text、hocr（html）和 pdf。

　　Tesseract 最初是惠普实验室开发的，2005 年开源。2006 年以后由谷歌开发。

　　8. Deep Dream

　　Star：10,156（去年 8 月 9042）

　　Github 地址：https://github.com/tesseract-ocr/tesseract

　　需要说明，这不是谷歌官方 Deep Dream 的 Github 库。这个库里包含了有示例代码的 IPython Notebook，补充了 Google Research 官方博客关于 Neural Network Art 的博文。

　　很多开发人员使用这个库里描述的技术制作了脑洞大开的图像。我们也期待你的尝试。对了，如果你将图像发布到 Google+，Facebook 或 Twitter，请务必使用 #deepdream 做上标记，方便其他研究人员查看。

　　9. MXNet

　　Star：9615

　　Github 地址：https://github.com/dmlc/mxnet

转载请注明出处。