谷歌15个人工智能开源免费项目！开发者：懂了

至于人工智能的开源项目，我相信开发者已经见证了很多，Github也有很多资源。然而，我今天说的不是来自Github，而是来自谷歌这个技术“大工厂”发布的一些高质量人工智能开源项目，涉及机器学习、深度学习、神经网络等。其中一些是经过精心挑选的，推荐给每个人学习。让我们看看。

1、AdaNet：

快速灵活的自主学习自动化。AdaNet是一个基于TensorFlow的轻量级框架，它可以在最少的专家干预下自动学习高质量的模型。它使用像科尔特斯这样的高级算法。2017年，学习神经网络的结构将作为整个子网。重要的是，AdaNet不仅为学习神经网络体系结构，而且为集成以获得更好的模型提供了一个通用框架。

2、Auto ML Video On-Device：

使用AutoML视频训练对象检测运动序列模型进行推理。此示例代码展示了如何在谷歌云自动视频对象跟踪设备上加载模型，以及如何推断视频剪辑中的一系列图像。目标设备是中央处理器和边缘处理器。

3、Budou：

中文、日文和韩文(CJK)语言的自动换行工具。Budou将自动把CJK句子转换成有意义的块的有组织的超文本标记语言代码，在网络上提供漂亮的字体。

4、Bullet Physics SDK：

实时碰撞检测和多物理场模拟，用于虚拟现实、游戏、视觉效果、机器人、机器学习等。子弹物理软件开发库(Bullet Physics SDK)是一个用便携式c编写的专业开源库，该库主要用于游戏、视觉效果和机器人仿真等。经zlib许可，该图书馆可免费用于商业目的。

pybullet是一个易于使用的Python模块，用于物理模拟、机器人和机器学习。Pybullet允许您加载URDF、SDF和其他文件格式的合页。Pybullet提供正向动力学仿真、反向动力学计算、正向和反向运动学、碰撞检测和光线相交查询。除了物理模拟，pybullet还支持渲染、中央处理器渲染器、OpenGL可视化以及对虚拟现实耳机的支持。

5、CausalImpact：

用于预测设计干预对时间序列的因果效应的统计数据库。CausalImpactR包实现了一种评估设计干预措施和时间序列之间因果关系的方法。例如，一个广告系列每天会产生多少额外的点击量？当不能进行随机实验时，很难回答这样的问题。该软件包旨在通过使用结构贝叶斯时间序列模型来估计如果干预没有发生，干预指数在干预后会如何演变来解决这个问题。

6、Darwin Neuroevolution Framework：

神经进化和进化算法框架。达尔文是一个旨在使神经进化实验简单、快速和有趣的框架。它提供了构建模块、示例和工具，以避免研究新想法所需的重复(可能是复杂的)脚手架。

7、DeepMind Lab：

基于代理的人工智能研究的可定制3D平台。DeepMind实验室是第一人称3D游戏平台，旨在研究和开发通用人工智能和机器学习系统。它提供了一组具有挑战性的导航和解谜任务，这对深度强化学习特别有用。它简单灵活的应用编程接口使得创新的任务设计和新颖的人工智能设计能够被探索和快速迭代。

8、Dopamine：

强化学习算法的快速原型研究框架。多巴胺是基于张量流(TensorFlow)的研究框架，被用作快速学习强化学习算法的原型。它旨在满足对一个小的、易于处理的代码库的需求，在这个代码库中，用户可以自由地尝试荒谬的想法(推测性研究)。

9、gemmlowp：

低精度矩阵乘法。Gemmlowp是一个乘法矩阵库，其项被量化为8位整数。它被用于移动神经网络应用，并得到了英特尔和ARM的大力支持，从而保证了它在各种移动CPU上的高效率。

10、Generative ML On Cloud：

一种基于云的工具，有助于生成机器学习和合成图像。端到端系统设计允许用户拥有定制的图像数据集，以在云M1上训练可变自动编码器，从而生成计数器网络(VAE-甘)模型。在这里，模型被部署到云中，在那里用户可以输入嵌入来从他们的数据集生成合成图像，或者输入图像来获得嵌入向量。该工具使用谷歌cloudmachine学习API和TensorFlow。

11、Graph Distillation：

用于运动检测的图形蒸馏。在这项工作中，我们提出了一种称为“图形蒸馏”的方法，该方法结合了来自源域中大型多模态数据集的丰富特权信息，并改善了缺乏训练数据和模式的目标域中的学习。

12、Kubeflow：

Kubernes的机器学习工具包。库比夫洛项目致力于使库本内的机器学习工作流的部署变得简单、可移植和可扩展。我们的目标不是重新创建其他服务，而是提供一种直接的方式，将微软同类最佳的操作系统部署到各种基础设施中。你应该可以在任何你经营库本内斯的地方经营库本弗洛。

13、Magenta：

利用机器智能进行音乐和艺术创作。洋红色是一个研究项目，旨在探索机器学习在艺术和音乐创作中的作用。首先，它包括开发新的深度学习和强化学习算法来生成歌曲、图像、图画和其他材料。但这也是对构建智能工具和界面的探索，允许艺术家和音乐家使用这些模型扩展(而不是替换！)他们的过程。

14、MentorNet：噪声数据深度学习。此示例代码展示了如何在谷歌云自动视频对象跟踪设备上加载模型，以及如何推断视频剪辑中的一系列图像。目标设备是中央处理器和边缘处理器。神经网络中

15、TensorFlow Playground：

浏览器的可视化交互。TensorFlow操场可视化神经网络的相互作用，并使用d3.js编写打字稿。它包含一个微型神经网络库，可以满足这种教育可视化的要求。用户可以模拟一个小型神经网络，并在浏览器中实时查看结果。

这15个项目都来自谷歌开源开源项目，这无疑是开发者的宝库。此外，有了这些免费的开源资源，开发者也可以通过TILIN AIX实践和开发自己的人工智能原型产品。TILIN AIX微型脑支持语音交互和视觉识别，内置英特尔Movidius Myraid X运算加速芯片、世界上最流行的开源硬件草莓派以及多种传感技术。AIX大大降低了人工智能的学习和开发门槛，帮助人工智能爱好者和开发者快速构建能够听、说、看的人工智能应用和解决方案。