10 個功能獨特的開源人工智慧項目

關於人工智慧的項目，相信大家都看過或者用過不少了，但它們的大多數看上去都十分「高大上」，讓人感覺要掌握他們猶如習屠龍之術一樣。事實上，有很多關於人工智慧的項目還是十分實用的，而且用途還十分有趣，下面就簡單為大家盤點 10 個功能獨特的開源人工智慧項目。

STYLE2PAINTS：強大的為線稿上色的 AI

https://www.oschina.net/p/style2paints

推薦理由：新一代的強大線稿上色 AI，可根據用戶上傳的自定義色彩給線稿進行上色。項目提供了在線使用網站，十分方便使用。

SerpentAI：教 AI 打遊戲的學習框架

https://www.oschina.net/p/serpentai

推薦理由：SerpentAI 旨在為機器學習和 AI 研究提供一個有價值的工具。但同時，對於愛好者來說，它也是非常有趣的。

Synaptic.js：用於瀏覽器的神經網路庫

https://www.oschina.net/p/synapticjs

推薦理由：Synaptic.js 是一個用於 node.js 和瀏覽器的 JavaScript 神經網路庫，可以構建和訓練基本上任何類型的一階甚至二階神經網路。

該項目內置了 4 種經典的神經網路演算法：多層感知器（multilayer perceptrons）、長短期記憶網路（multilayer long-short term memory networks）、液體狀態機（Liquid State Machine）、Hopfield神經網路。使用 Synaptic.js ，你可以輕鬆測試和比較不同體系結構的性能。

Snake-AI：貪吃蛇遊戲的人工智慧

https://www.oschina.net/p/snake-ai

推薦理由：一個用 C/C++ 語言編寫的貪吃蛇遊戲的人工智慧。使用了最短路徑、最長路徑、人工智慧演算法。

AI 的目的是讓蛇儘可能的吃更多的食物，直到吃滿整個地圖。

Demo

Uncaptcha

https://www.oschina.net/p/uncaptcha

推薦理由：破解 reCAPTCHA 系統的 AI 演算法。unCAPTCHA 演算法以 85% 的成功率擊敗了 Google reCAPTCHA 系統。它依靠音頻驗證碼攻擊 - 使用瀏覽器自動化軟體來解析必要的元素並識別語音號碼，並以編程方式傳遞這些數字，最終成功欺騙目標網站。

Sockeye：神經機器翻譯框架

https://www.oschina.net/p/sockeye

推薦理由：Sockeye 是一個基於 Apache MXNet 的快速而可擴展的深度學習庫。

Sockeye 代碼庫具有來自 MXNet 的獨特優勢。例如，通過符號式和命令式 MXNet API，Sockeye 結合了陳述式和命令式編程風格；它同樣可以在多塊 GPU 上並行訓練模型。

Sockeye 實現了 MXNet 上當前最佳的序列到序列模型。它同樣為所有序列到序列模型的超參數提供恰當的默認值。對於優化，無需擔心停止標準、指標跟蹤或者權重初始化。可以簡單地運行已提供的訓練命令行界面（CLI），也可以輕易改變基礎模型架構。

PHP-ML：PHP 機器學習庫

https://www.oschina.net/p/php-ml

推薦理由：我們都知道 Python 或者是 C++ 提供了更多機器學習的庫，但他們大多都比較複雜，配置起來讓很多新手感到頭疼。

PHP-ML 這個機器學習庫雖然沒有特別高大上的演算法，但其具有最基本的機器學習、分類等演算法，小項目或者小公司做一些簡單的數據分析、預測等等足以夠用。

PHP-ML 是使用 PHP 編寫的機器學習庫。同時包含演算法，交叉驗證，神經網路，預處理，特徵提取等

CycleGAN：生成對抗網路圖像處理工具

https://www.oschina.net/p/cyclegan

推薦理由：這個工具功能十分強大，不僅可將繪畫作品「還原」成照片（可理解為是一個 「反濾鏡」），還能將夏天轉換成冬天，或將普通的馬轉化成斑馬。

與其它人工智慧繪畫不同，CycleGAN 的研究團隊試圖建立一個可雙向轉化不丟失信息的雙向演算法。

在 CycleGAN 里照片的細節被要求完全保留，研究人員希望能夠將一張圖片輸入 CycleGAN 後進行多次反覆轉化（照片→繪畫→照片→繪畫→照片），最終可以獲得與原始照片相同或相近的圖片。

DeepLearn.js：加速硬體的機器學習JS庫

https://www.oschina.net/p/deeplearn-js

DeepLearn.js 是谷歌推出的一個可用於機器智能並加速 WebGL 的開源 JavaScript 庫，完全在瀏覽器中運行，不需要安裝，不需要後端處理。

DeepLearn.js 提供高效的機器學習構建模塊，使我們能夠在瀏覽器中訓練神經網路或在推斷模式中運行預訓練模型。它提供構建可微數據流圖的 API，以及一系列可直接使用的數學函數。

雖然瀏覽器上的機器學習庫已經存在多年（例如 Andrej Karpathy 的 convnetjs），但是它們受到 JavaScript 速度的限制，或者局限於推理而不能用於訓練（例如 TensorFire）。

相比之下，deeplearn.js 通過利用 WebGL 在GPU上執行計算，以及進行完全反向傳播（full backpropagation）的能力，實現了顯著的加速。

TensorFire：瀏覽器端神經網路框架

https://www.oschina.net/p/tensorfire

推薦理由：TensorFire 是基於 WebGL 的，運行在瀏覽器中的神經網路框架。使用 TensorFire 編寫的應用能夠在實現前沿深度學習演算法的同時，不需要任何的安裝或者配置就直接運行在現代瀏覽器中。

與之前某些瀏覽器內的神經網路框架相比，TensorFire 有著近百倍的速度提升，甚至於能夠與那些運行在本地 CPU 上的代碼性能相媲美。

開發者也可以使用 TensorFire 提供的底層介面來進行其他的高性能計算，譬如 PageRank、元胞自動機模擬、圖片轉化與過濾等等。