点击上方“CSDN”，选择“顶级公众号”
关键时刻，第一时间送达！
推荐10个广受好评且独一无二的开源人工智能项目。
关于人工智能项目，相信大家都见过或用过不少，但大多看起来都非常“高大上”，让人感觉掌握它们就像学习屠龙之术。其实关于人工智能的项目还有很多，还是非常实用和有趣的。这里简单盘点10个具有独特功能的开源人工智能项目。
STYLE2PAINTS：强大的 AI 为线条艺术着色
项目地址：
推荐理由：新一代强大的线稿着色AI，可以根据用户上传的自定义颜色为线稿上色。该项目提供了一个在线网站，使用起来非常方便。
SerpentAI：一个教 AI 玩游戏的学习框架
项目地址：
推荐理由：SerpentAI 旨在为机器学习和人工智能研究提供有价值的工具。但同时，对于爱好者来说也是非常有趣的。
Synaptic.js：浏览器的神经网络库
项目地址：
推荐理由：Synaptic.js 是一个适用于 node.js 和浏览器的 JavaScript 神经网络库。它基本上可以构建和训练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、多层长短期记忆网络、液体状态机和Hopfield神经网络。使用 Synaptic.js人工智能创业项目，您可以轻松测试和比较不同架构的性能。
Snake-AI：蛇游戏的人工智能
项目地址：
推荐理由：一个用C/C++语言写的吃蛇游戏的人工智能。使用最短路径、最长路径和人工智能算法。
AI 的目的是让蛇吃掉尽可能多的食物，直到它吃掉整个地图。
演示：
解密
项目地址：
推荐理由：破解reCAPTCHA系统的AI算法。unCAPTCHA 算法以 85% 的成功率击败了 Google reCAPTCHA 系统。它依靠音频验证码攻击——使用浏览器自动化软件解析必要元素并识别语音号码，并以编程方式传递这些号码，最终成功欺骗目标网站。
Sockeye：神经机器翻译框架
项目地址：
推荐理由：Sockeye 是一个基于 Apache MXNet 的快速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 结合了声明式和命令式编程风格；它还可以在多个 GPU 上并行训练模型。
Sockeye 实现了 MXNet 上当前可用的最佳序列到序列模型。它还为所有序列到序列模型的超参数提供了适当的默认值。对于优化，无需担心停止标准、指标跟踪或权重初始化。您可以简单地运行提供的训练命令行界面 (CLI)，也可以轻松更改基本模型架构。
PHP-ML：PHP 机器学习库
项目地址：
推荐理由：我们都知道Python或者C++提供的机器学习库比较多，但是大部分都比较复杂，配置也让很多新手感到头疼。
PHP-ML机器学习库虽然没有特别高级的算法，但是拥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、预测等就足够了。
PHP-ML 是一个用 PHP 编写的机器学习库。它还包括算法、交叉验证、神经网络、预处理、特征提取等。
CycleGAN：生成对抗网络图像处理工具
项目地址：
推荐理由：这个工具非常强大。它不仅可以将画作“还原”成照片（可以理解为“反向滤镜”），还可以把夏天变成冬天，或者把普通的马变成斑马。
与其他人工智能绘画不同，CycleGAN 的研究团队试图建立一种双向算法，可以在不丢失信息的情况下进行双向变换。
在 CycleGAN 中，要求完全保留照片的细节。研究人员希望将一张图片输入到 CycleGAN 中，并进行多次重复的变换（照片→绘画→照片→绘画→照片），最终得到一张与原始照片相同或相似的图片。
DeepLearn.js：用于加速硬件的机器学习 JS 库
项目地址：
DeepLearn.js 是谷歌推出的一个开源 JavaScript 库，可用于机器智能和加速 WebGL。它完全在浏览器中运行人工智能创业项目，不需要安装或后端处理。
DeepLearn.js 提供了高效的机器学习构建块，允许我们在浏览器中训练神经网络或在推理模式下运行预训练的模型。它提供了构建可微数据流图的API，以及一系列可以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很多年了（比如 Andrej Karpathy 的 convnetjs），但是受限于 JavaScript 的速度或者仅限于推理，不能用于训练（比如 TensorFire）。
相比之下，deeplearn.js 通过利用 WebGL 在 GPU 上执行计算以及执行完全反向传播的能力实现了显着的加速。
TensorFire：浏览器端神经网络框架
项目地址：
推荐理由：TensorFire 基于 WebGL，一个运行在浏览器中的神经网络框架。使用 TensorFire 编写的应用程序可以实现尖端的深度学习算法，并且无需任何安装或配置即可直接在现代浏览器中运行。
与之前一些浏览器中的神经网络框架相比，TensorFire 的速度提升了近百倍，甚至可以媲美本地 CPU 上运行的代码的性能。
开发者还可以使用 TensorFire 提供的底层接口进行其他高性能计算，如 PageRank、元胞自动机模拟、图像转换和过滤等。
相信还有其他优秀的开源人工智能项目还没有出现在本文中，欢迎大家在评论中留下你的推荐~
原创文章，作者：anleey，如若转载，请注明出处：https://www.gongzichu.com/26742.html
