2019年不可错过的45个AI开源工具，你想要的都在这里

一个好工具，能提高开发效率，优化项目研发过程，无论是企业还是开发者个人都在寻求适合自己的开发工具。但是，选择正确的工具并不容易，有时这甚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、。今天，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。

开源地址：https://github.com/tensorflow/tfx

TensorFlowFederated（TFF）框架可用于去中心化（decentralized）数据的机器学习及运算实验。它实现了联邦学习（FederatedLearning，FL）方法，将为开发者提供分布式机器学习，以便在没有数据离开设备的情况下，在多种设备上训练共享的ML模型。其中，它通过加密方式提供多一层的隐私保护，并且设备上模型训练的权重与用于连续学习的中心模型共享。

开源地址：https://github.com/tensorflow/federated

开源地址：https://github.com/google/mediapipe

开源地址：https://github.com/google/tensornetwork

GPipe是一个分布式机器学习库，使用同步随机梯度下降和流水线并行技术进行训练，适用于任何由多个序列层组成的DNN。重要的是，GPipe让研究人员无需调整超参数，即可轻松部署更多加速器，从而训练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

MLIR通过定义一个通用的中间表示，将在TensorFlow和类似的ML框架中执行高性能机器学习模型所需的基础设施进行统一，包括高性能计算技术应用或强化学习这类搜索算法的集成。MLIR旨在降低开发新硬件的成本，并提高现有TensorFlow用户的可用性。

开源地址：https://github.com/tensorflow/mlir

1、OpenSpiel【Stars：1.7k】

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用。该框架包含一系列游戏，允许DRLagent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

开源地址：https://github.com/deepmind/spriteworld

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】

开源地址：https://github.com/facebookresearch/LASER

10月11日，Facebook发布了Detectron2，这是基于PyTorch框架，以maskrcnn-benchmark为起点对Detectron的彻底重写。通过全新的模块化设计，Detectron2灵活且可扩展，能够在单个或多个GPU服务器上提供更加快速的训练。

Detectron2已经包含了众多保质量实现的目标检测算法，包括：DensePose,panopticfeaturepyramidnetworks和MaskRCNN的各种变种。，其模块化特性也使其能够有效帮助研究人员探索最先进的算法设计。

开源地址：https://github.com/facebookresearch/detectron2

开源地址：https://github.com/facebookresearch/habitat-sim

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可以简化工作流程，加速试验，同时还能促进大规模部署。

开源地址：https://github.com/facebookresearch/pytext

5、Nevergrad【Stars：2.1k】

开源地址：https://github.com/facebookresearch/nevergrad

开源地址：https://github.com/pytorch/QNNPACK

开源地址：https://github.com/facebookresearch/PyTorch-BigGraph

开源地址：https://github.com/facebookresearch/crypten

开源地址：https://www.captum.ai/

开源地址：https://github.com/facebookresearch/dlrm

开源地址：https://github.com/facebookresearch/pythia

1、DGL【Stars：3.2k】

与传统基于张量（Tensor）的神经网络相比，图神经网络将图(Graph)作为输入，从图结构中学习潜在知识，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，使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发和训练，而DGL作为专门面向图神经网络的框架，可以很好地弥补这一缺陷。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

2、Neo-AI

开源地址：https://github.com/neo-ai

1、NNI(NeuralNetworkIntelligence)【Stars：3.5k】

开源地址：https://github.com/microsoft/nni/blob/master/README_zh_CN.md

开源地址：https://github.com/microsoft/pai/blob/master/README.md

开源地址：https://github.com/interpretml/interpret

开源地址：https://github.com/msr-fiddle/pipedream

1、Ludwig【Stars：5.9k】

开源地址：https://github.com/uber/ludwig

1、OpenVINO【Stars：873】

开源地址：https://github.com/opencv/dldt

1、TensorFlow.Net【Stars：807】

开源地址：https://github.com/SciSharp/TensorFlow.NET

开源地址：https://github.com/SciSharp/Numpy.NET

1、Euler【Stars：1.8k】

开源地址：https://github.com/alibaba/euler/wiki

开源地址：https://github.com/alibaba/x-deeplearning

开源地址：https://github.com/alibaba/MNN/blob/master/README_CN.md

1、Angel【Stars：5.4k】

开源地址：https://github.com/Angel-ML/angel

1、BytePS【Stars：1.9k】

开源地址：https://github.com/bytedance/byteps

1、MMLabMMDetection【Stars：7k】

开源地址：https://github.com/open-mmlab/mmdetection

开源地址：https://github.com/STVIR/pysot

1、SMRC【Stars：547】

开源地址：https://github.com/sogou/SMRCToolkit

1、ElasticDL【Stars：355】

开源地址：https://github.com/sql-machine-learning/elasticdl/

1、FATE【Framework】

微众银行AI团队开源的联邦学习框架。联盟学习开源项目FATE（FederatedAITechnologyEnabler），提供了一种基于数据隐私保护的安全计算框架，为机器学习、深度学习、迁移学习算法提供强有力的安全计算支持。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计算机制，算法层支持多方安全计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人员快速开发算法原型；为工业界人员快速开发应用提供一种简洁有效的解决方案，支持在多场景下的开拓和应用；借助其灵活的架构，用户可以轻松地将计算工作部署到多种平台（CPU、GPU）和设备（桌面设备、服务器集群、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】

开源地址：https://github.com/shenweichen/DeepCTR

开源地址：https://github.com/NUAA-AL/ALiPy

开源地址：https://github.com/CorentinJ/Real-Time-Voice-Cloning

5、WeightsandBiases【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。在训练过程中可视化模型，还能轻松对比模型的版本，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