出品 | AI科技大本营（ID：rgznai100)
一个好工具，能提高开拓效率，优化项目研发过程，无论是企业还是开拓者个人都在寻求适宜自己的开拓工具。但是，选择精确的工具并不随意马虎，有时这乃至是一项艰巨的任务。
2018 年底，我们整理了去年备受关注的 Python开源工具与项目 Top100、Github 开源项目总结情形以及最受欢迎开源项目 Top200。本日，AI科技大本营（ID:rgznai100）通过搜集这一年（2018.10--2019.10）国内外新发布的 AI 工具，从中挑选出了 45 个备受欢迎的开源工具，希望你不再错过。
1、Jax【Stars：5.5k】
Jax凑集Autograd和XLA的高性能机器学习研究工具，由Google开源贡献。很多人都说Jax是TF的替代品，更简洁易用。
开源地址：
https://github.com/google/jax
2、AdaNet【Stars：2.9k】
AdaNet 是一款基于TensorFlow 的轻量型框架。可以利用最少的专家干预来自动学习高质量模型，AdaNet供应的通用框架，不仅可以用于学习神经网络架构，还可以学习集成，从而得到更好的模型。
开源地址：
https://github.com/tensorflow/adanet
3、TensorFlow Extended (TFX)【Stars：720】
TFX 是面向生产环境的机器学习工具。借助TFX，可以为知足生产运用支配与最佳实践的浩瀚需求，创建一条生产级机器学习流水线。TFX从提取数据开始，然后通过数据验证、特色工程、演习、评估供应做事。
开源地址：
https://github.com/tensorflow/tfx
4、TFF【Stars：758】
TensorFlow Federated （TFF）框架可用于去中央化（decentralized）数据的机器学习及运算实验。它实现了联邦学习（Federated Learning，FL）方法，将为开拓者供应分布式机器学习，以便在没有数据离开设备的情形下，在多种设备上演习共享的 ML 模型。个中，它通过加密办法供应多一层的隐私保护，并且设备上模型演习的权重与用于连续学习的中央模型共享。
开源地址：
https://github.com/tensorflow/federated
5、MediaPipe 【Stars：3.5K】
MediaPipe 是一款由 Google Research 开拓并开源的多媒体机器学习模型运用框架。谷歌的一系列主要产品如 YouTube、Google Lens、ARCore、Google Home 以及 Nest 都已深度整合了 MediaPipe。
开源地址：
https://github.com/google/mediapipe
6、TensorNetwork【Stars：879】
谷歌 X 实验室与加拿大 Perimeter 理论物理研究所（Perimeter Institute for Theoretical Physics ）的研究职员互助开拓了张量网络 TensorNetwork，以 TensorFlow 作为后端，针对 GPU 处理进行了优化。与在 CPU 上打算事情比较，可以实现高达 100 倍的加速。这是一个全新的开源库，旨在提高张量打算效率。
开源地址：
https://github.com/google/tensornetwork
7、GPipe
GPipe 是一个分布式机器学习库，利用同步随机梯度低落和流水线并行技能进行演习，适用于任何由多个序列层组成的 DNN。主要的是，GPipe 让研究职员无需调度超参数，即可轻松支配更多加速器，从而演习更大的模型并扩展性能。
开源地址：
https://github.com/tensorflow/lingvo/blob/master/lingvo/core/gpipe.py
8、 MLIR【Stars：1.5k】
MLIR 通过定义一个通用的中间表示，将在TensorFlow和类似的ML框架中实行高性能机器学习模型所需的根本举动步伐进行统一，包括高性能打算技能运用或强化学习这类搜索算法的集成。MLIR旨在降落开拓新硬件的本钱，并提高现有TensorFlow用户的可用性。
开源地址：
https://github.com/tensorflow/mlir
DeepMind1、OpenSpiel【Stars：1.7k】
OpenSpiel 是一系列环境和算法，用于研究一样平常强化学习和游戏中的搜索/方案。OpenSpiel 的目的是通过与一般游戏类似的办法促进跨多种不同游戏类型的一样平常多智能体强化学习，但重点是强调学习而不是竞争形式。当前版本的 OpenSpiel 包含 20 多种游戏的不同类型实现（完美信息、同步移动、不完美信息、网格天下游戏、博弈游戏和某些普通形式/矩阵游戏）。
核心的 OpenSpiel 实现基于 C ++ 和 Python 绑定，这有助于在不同的深度学习框架中采取。该框架包含一系列游戏，许可 DRL agent 学会合作和竞争行为。同时，OpenSpiel 还包括搜索、优化和单一 agent 等多种 DRL 算法组合。
开源地址：
https://github.com/deepmind/open_spiel
2、SpriteWorld【Stars：259】
Spriteworld 是一个基于 python 的强化学习环境，由一个可以自由移动的形状大略的二维竞技场组成。更详细地说，SpriteWorld 是一个二维方形竞技场，周围可随机放置数量可变的彩色精灵，但不会发生碰撞。
开源地址：
https://github.com/deepmind/spriteworld
3、bsuite【 Stars：834】
强化学习行为套件（bsuite，The Behaviour Suite for Reinforcement Learning ）的目标是成为强化学习领域的 MNIST。详细来说，bsuite 是一系列用来突出 agent 可扩展性关键点的实验。这些实验易于测试和迭代，对基本问题，例如“探索”或“影象”进行试验。
开源地址：
https://github.com/deepmind/bsuite
全部开源：
https://ai.facebook.com/results/open-source/?content_types%5B0%5D=blog
1、LASER 【Stars：2k】
增强版的 LASER是首个能够成功探索大型多语种句子表征的工具包，共包含 90 多种措辞，由 28 种不同的字母表编写。这项弘大的事情也引发了全体 NLP 社区的广泛关注。该工具包将所有措辞联合嵌入到单个共享空间，而不是为每个措辞单独建立模型。
开源地址：
https://github.com/facebookresearch/LASER
2、Detectron2【Stars：4.9k】
10月11日，Facebook发布了Detectron2，这是基于PyTorch框架，以maskrcnn-benchmark为出发点对Detectron的彻底重写。通过全新的模块化设计，Detectron2灵巧且可扩展，能够在单个或多个GPU做事器上供应更加快速的演习。
Detectron2已经包含了浩瀚保质量实现的目标检测算法，包括：DensePose, panoptic feature pyramid networks和Mask RCNN的各种变种。，其模块化特性也使其能够有效帮助研究职员探索最前辈的算法设计。
开源地址：
https://github.com/facebookresearch/detectron2
3、Habitat-Sim【Stars：549】
Habitat-Sim 是一个仿真的、灵巧、高性能的3D仿照器，可配置代理、多个传感器和通用3D数据集处理，让我们可以在个中演习和评估 AI智能体。
开源地址：
https://github.com/facebookresearch/habitat-sim
4、PyText【Stars：5.5k】
PyText 是一个基于 PyTorch 构建的 NLP 建模（基于深度学习）框架，核心功能可以支持文本分类、序列标注等神经网络模型。PyText 可以简化事情流程，加速试验，同时还能促进大规模支配。
开源地址：
https://github.com/facebookresearch/pytext
5、Nevergrad【Stars：2.1k】
Nevergrad 是Facebook 内部也在利用的一个无梯度优化 Python工具箱。除了内部项目中利用，还可以广泛利用在机器学习的多种问题中，比如多模态问题、可分离或旋转问题、部分可分离问题、离散、连续或稠浊等问题。
开源地址：
https://github.com/facebookresearch/nevergrad
6、QNNPACK【Stars：1.2k】
QNNPACK（量化神经网络包）是一个针对低精度高性能神经网络推理的移动端优化库。据官方公布，QNNPACK可以成倍提升神经网络的推理效率，已经成为 PyTorch 1.0 的一部分， 也已经被集成到 Facebook 的运用程序中，支配到数十亿台设备上。
开源地址：
https://github.com/pytorch/QNNPACK
7、PyTorch Biggraph（PBG）【Stars：1.9k】
PBG 是一个用于学习大规模图嵌入的分布式系统，特殊适用于处理具有多达数十亿实体和数万亿条边的大型网络交互图。它在 2019 年的 SysML 会议上揭橥的大规模图嵌入框架论文中提出。
PBG 比常用的嵌入软件更快，并在标准基准上天生与最前辈模型质量相称的嵌入。有了这个新工具，任何人都可以用一台机器或多台机器并行地读取一个大图并快速天生高质量的嵌入。
开源地址：
https://github.com/facebookresearch/PyTorch-BigGraph
8、 CrypTen【Stars：274】
CrypTen是一个基于PyTorch的隐私保护机器学习框架 。它的目标是让机器学习的实践者能够利用安全地进行打算。
开源地址：
https://github.com/facebookresearch/crypten
9、 Captum 【Stars：581】
Captum是一个基于 Pytorch 的一个模型阐明库，其功能强大、灵巧且易于利用。该库为所有最新的算法供应理解释性，帮助研究职员及开拓者更好地理解对模型预测结果产生浸染的详细特色、神经元及神经网络层。
开源地址：
https://www.captum.ai/
10、DLRM【Stars：1.5k】
Facebook 开源的深度学习推举模型DLRM 是基于 PyTorch 和 Caffe2 平台实现。这也是一个在生产环境中供应个性化结果的模型，通过结合协同过滤算法和预测剖析方法，使模型得到进一步效果的提升。
开源地址：
https://github.com/facebookresearch/dlrm
11、Pythia【Stars：2.9k】
Pythia 是一个模块化的深度学习框架。它可以支持视觉和措辞领域的多任务处理，内置各种数据集，同时还支持数据并行和分布式数据并行的分布式演习，知足用户对丢失、度量、调度和优化器的定制需求。
开源地址：
https://github.com/facebookresearch/pythia
亚马逊1、DGL【Stars：3.2k】
与传统基于张量（Tensor）的神经网络比较，图神经网络将图 (Graph) 作为输入，从图构造中学习潜在知识，该方法在近些年已被证明在许多场景可以取得很好的效果。然而，利用传统的深度学习框架（比如 TensorFlow、Pytorch、MXNet）并不能方便地进行图神经网络的开拓和演习，而 DGL作为专门面向图神经网络的框架，可以很好地填补这一毛病。该框架在开源后于国内外引起了强烈的反响。
开源地址：
http://dgl.ai
https://github.com/dmlc/dgl
2、Neo-AI
Neo-AI 是 AWS 开源一个AI模型优化框架，包含了对 TVM、Treelite、DLR 所做多一些改进与创新。Neo-AI 运行时占用的空间并不大，转换模型的速率可以加快2 倍，但精度并不会受到丢失，在目标硬件上运行时并不依赖于框架。
开源地址：
https://github.com/neo-ai
微软
1、NNI (Neural Network Intelligence) 【Stars：3.5k】
NNI 是自动机器学习（AutoML）的工具包。它通过多种调优的算法来搜索最好的神经网络构造和（或）超参，并支持单机、本地多机、云平分歧的运行环境。
开源地址：
https://github.com/microsoft/nni/blob/master/README_zh_CN.md
2、OpenPAI【Stars：1.4k】
微软开源的 AI 打算平台，帮助加速机器学习的模型演习过程。供应了完全的 AI 模型演习和资源管理能力，能轻松扩展，并支持各种规模的私有支配、云和稠浊环境。
开源地址：
https://github.com/microsoft/pai/blob/master/README.md
3、lnterpretML【Stars：2.1k】
微软开源的可阐明机器学习工具包 lnterpretML。它不仅能实行很多可理解的模型，也希望帮助开拓职员能考试测验各种方法阐明模型和系统。
开源地址：
https://github.com/interpretml/interpret
4、PipeDream【Stars：34】
几个月以前，微软研究院宣告了Fiddle项目的创立，其包括了一系列的旨在简化分布式深度学习的研究项目。PipeDreams是Fiddle发布的第一个侧重于深度学习模型并行演习的项目之一。PipeDream采取一种有别于其它方法的办法，利用称为“流水线并行”的技能来扩展深度学习模型的演习。
开源地址：
https://github.com/msr-fiddle/pipedream
Uber1、Ludwig【Stars：5.9k】
一个基于TensorFlow的工具箱，不用写代码就能够演习和测试深度学习模型。可以帮助开拓者更好地理解深度学习方面的能力，并能够推进模型快速迭代。对AI专家来说，Ludwig可以简化原型设计和数据处理过程，从而让他们能够专注于开拓深度学习模型架构。
开源地址：
https://github.com/uber/ludwig
OpenCV1、OpenVINO【Stars：873】
OpenVINO 是一个模型演习框架，供应了大量的预演习模型，同时供应模型重新演习与支配的拓展通道。
开源地址：
https://github.com/opencv/dldt
SciSharp STACK
一个基于 .NET 的机器学习生态，供应一个和 Python 生态体验同等的工具库，让模型迁移更随意马虎、学习曲线最低。SciSharp 从最基本的张量打算库 NumSharp 开始构建，到 TensorFlow Binding，再到吸纳其它深度学习库 SiaNet 做 ArrayFire.NET，末了到开拓ICSharpCore以支持Jupyter Notebook调试。
1、TensorFlow.Net【Stars：807】
TensorFlow.NET保持和 Python 代码险些一样的语法和接口，让目前盛行的模型能够快速移植到 TF.NET。开拓者可以很随意马虎地在 .NET 上运行用 Tensorflow 开拓的模型，利用 Jupyter Notebook 一样可以在线开拓和调试 C# 措辞程序和 TensorFlow.NET，并可以实时呈现绘图的效果。
开源地址：
https://github.com/SciSharp/TensorFlow.NET
2、NumSharp【Stars：75】
NumSharp 是 Python 盛行库 numpy 的纯 C＃ 端口，目的是供应快速、零拷贝和 n 维打算。目前，它是唯逐一个为 .NET 编写的稳定库，能够在 n 维之间实行数学运算，如矩阵乘法、换位、加法等。
开源地址：
https://github.com/SciSharp/Numpy.NET
阿里1、Euler【Stars：1.8k】
Euler是大规模分布式的图学习框架，合营TensorFlow或者阿里开源的XDL等深度学习工具。Euler 采取分层灵巧可扩展设计、大规模高性能异构图学习、灵巧多样的图算法支持、通用 GNN 演习加速的设计理念，支持图分割和高效稳定的分布式演习，可以轻松支撑数十亿点、数百亿边的打算规模。
开源地址：
https://github.com/alibaba/euler/wiki
2、XDL【Stars：3k】
X-DeepLearning（简称XDL）是面向高维稀疏数据场景（如广告/推举/搜索等）深度优化的一整套办理方案。新框架 XDL 针对阿里妈妈业务数据高维稀疏的场景特点进行了优化。
开源地址：
https://github.com/alibaba/x-deeplearning
3、MNN【Stars：3k】
MNN是一个轻量级的深度神经网络推理引擎，在端侧加载深度神经网络模型进行推理预测。目前，MNN已经在阿里巴巴的手机淘宝、手机天猫、优酷等20多个App中利用，覆盖直播、短视频、搜索推举、商品图像搜索、互动营销、权柄发放、安全风控等场景。此外，IoT等场景下也有多少运用。
开源地址：
https://github.com/alibaba/MNN/blob/master/README_CN.md
腾讯1、Angel【Stars：5.4k】
腾讯Angel 3.0考试测验打造一个全栈的机器学习平台，功能特性涵盖了机器学习的各个阶段：特色工程、模型演习、超参数调节和模型做事。
开源地址：
https://github.com/Angel-ML/angel
字节跳动1、BytePS【Stars：1.9k】
BytePS 是今年字节跳动发布的一款高性能的通用分布式演习框架。它支持TensorFlow、Keras、PyTorch 和 MXNet，可以在TCP或RDMA网络上运行。BytePS在很大程度上优于现有的开源分布式培训框架。
开源地址：
https://github.com/bytedance/byteps
商汤1、MMLab MMDetection【Stars：7k】
喷鼻香港中文大学-商汤联合实验室开源了基于 PyTorch 的检测库——mmdetection。这个开源库供应了已公开拓表的多种视觉检测核心模块。通过这些模块的组合，可以迅速搭建出各种著名的检测框架，比如 Faster RCNN，Mask RCNN，和 R-FCN 等各种新型框架，从而大大加快检测技能研究的效率。
开源地址：
https://github.com/open-mmlab/mmdetection
2、PySOT【Stars：2.7k】
PySOT 目标跟踪库实现了目前 SOTA 的多个单目标跟踪算法，包括SiamRPN和SiamMask。PySOT 是用 Python 编写，基于 PyTorch 框架实现，同时该项目还包含一个评估跟踪器的Python 接口。
开源地址：
https://github.com/STVIR/pysot
搜狗1、SMRC【Stars：547】
SMRC（Sogou Machine Reading Comprehension）目前业内最全的TensorFlow版本的阅读理解工具凑集，从干系数据集的下载到末了模型的演习和测试，一应俱全。
开源地址：
https://github.com/sogou/SMRCToolkit
蚂蚁金服1、ElasticDL【Stars：355】
ElasticDL是一个分布式的智能学习系统，基于TensorFlow2.0构建，通过SQLFlow被调用的模型，会基于根本架构来进行分布式实行。它的容错和弹性调度机制，能让集群的利用效率更高。
开源地址：
https://github.com/sql-machine-learning/elasticdl/
其他1、FATE【Framework】
微众银行AI团队开源的联邦学习框架。同盟学习开源项目FATE（Federated AI Technology Enabler），供应了一种基于数据隐私保护的安全打算框架，为机器学习、深度学习、迁移学习算法供应强有力的安全打算支持。安全底层支持同态加密、秘密共享、哈希散列等多种多方安全打算机制，算法层支持多方安全打算模式下的逻辑回归、Boosting、联邦迁移学习等。
该框架可以帮助学术研究职员快速开拓算法原型；为工业界职员快速开拓运用供应一种简洁有效的办理方案，支持在多场景下的开拓和运用；借助其灵巧的架构，用户可以轻松地将打算事情支配到多种平台（CPU、GPU）和设备（桌面设备、做事器集群、移动设备等）
开源地址：
https://www.fedai.org.cn/cn/
https://github.com/FederatedAI/FATE
2、DeepCTR【Stars：2.2k】
DeepCTR 一个易于利用、模块化和可扩展的基于深度学习的 CTR 模型包，带有许多核心组件层，可用于轻松构建自己定制的模型。
开源地址：
https://github.com/shenweichen/DeepCTR
3、ALiPy【Stars：356】
ALiPy是一个基于Python实现的主动学习工具包，内置20余种主动学习算法，并供应包括数据处理、结果可视化等工具。ALiPy根据主动学习框架的不同部件供应了多少独立的工具类，这样一方面可以方便地支持不同主动学习场景，另一方面可以利用户自由地组织自己的项目，用户可以不必继续任何接口来实现自己的算法与更换项目中的部件。此外，ALiPy不仅支持多种不同的主动学习场景，如标注代价敏感，噪声标注者，多标记查询等。
开源地址：
https://github.com/NUAA-AL/ALiPy
4、Real-Time Voice Cloning【Stars：9.1k】
Real-Time Voice Cloning 是论文《Transfer Learning from Speaker Verification to Multispeaker Text-To-Speech Synthesis（SV2TTS）》的实现。SV2TTS 是一个三阶段深度学习框架，可以在 5 秒的音频中创建一个语音的数字表示，并利用它来调度一个经由演习的文本到语音模型，以推广到新的语音。
开源地址：
https://github.com/CorentinJ/Real-Time-Voice-Cloning
5、Weights and Biases 【Stars：1.3k】
一个在机器学习实验过程中用于可视化和跟踪的工具。它与框架无关，比TensorBoard更轻。每次运行一个装有 wandb 的脚本时，都会保存超参数和输出度量。在演习过程中可视化模型，还能轻松比拟模型的版本，还会自动跟踪你的代码、系统指标和配置参数的状态。
开源地址：
https://github.com/wandb/client
【End】
