GitHub 上 57 款最流行的开源深度学习项目
GitHub 上 57 款最流行的开源深度学习项目
本文整理了 GitHub 上最流行的 57 款深度学习项目（按 stars 排名）。最后更新：2016.08.09
使用数据流图计算可扩展机器学习问题
TensorFlow 是谷歌的第二代机器学习系统，按照谷歌所说，在某些基准测试中，TensorFlow 的表现比第一代的 DistBelief 快了2倍。
TensorFlow 内建深度学习的扩展支持，任何能够用计算流图形来表达的计算，都可以使用 TensorFlow。任何基于梯度的机器学习算法都能够受益于 TensorFlow 的自动分 化（auto-differentiation）。通过灵活的 Python 接口，要在 TensorFlow 中表达想法也会很容易。
2.Caffe
Stars：11799
Caffe是一个高效的开源深度学习框架。由表达式，速度和模块化组成。
Stars：10148
Torch实现的神经网络算法。
Neural style 是让机器模仿已有画作的绘画风格来把一张图片重新绘制的算法。
Stars：9042
Deep Dream，一款图像识别工具
5.Keras
Stars：7502
一款Python实现的深度学习库，包括卷积神经网络、递归神经网络等。运行在Theano和TensorFlow之上。
Keras是一个极简的、高度模块化的神经网络库，采用Python（Python 2.7-3.5.）开发，能够运行在TensorFlow和Theano任一平台，好项目旨在完成深度学习的快速开发。
Stars：7170
学生主导的一个独立项目，从新实现了 DeepMind在2016 Nature发表的内容， 《用深度神经网络和树搜索学习围棋》 (Nature 529, 484-489, 28 Jan 2016).
Stars：6671
基于TensorFlow开发的模型
Stars：6275
运用深度神经网络将涂鸦变为优雅的艺术品，从照片生成无缝纹理，转变图片风格，进行基于实例的提升，等等…还有更多！（语义风格传递的实现）
9.CNTK
Stars：5957
深度学习工具包 。来自微软公司的CNTK工具包的效率，“比我们所见过的都要疯狂”。 这部分归功于CNTK可借助图形处理单元（GPU）的能力，微软自称是唯一公开“可扩展GPU”功能的公司。（从单机上的1个、延伸至超算上的多个） 在与该公司的网络化GPU系统（称之为Azure GPU Lab）匹配之后，它将能够训练深度神经网络来识别语音，让Cortana虚拟助理的速度达到以前的十倍。
Stars：5872
适合初学者的 TensorFlow 教程和代码示例，做了相关笔记和代码解释。
11.ConvNet JS
Stars：5231
ConvNetJS 是用 JavaScript 实现的神经网络，同时还有基于浏览器的 demo。
12.Torch
Stars：5133
Torch7，深度学习库。
Torch7 是一个科学计算框架，支持机器学习算法。易用而且提供高效的算法实现，得益于 LuaJIT 和一个底层的 C 实现。
13.OpenFace
Stars：4855
基于深度学习网络的面部识别。
14.MXNet
Stars：4685
轻巧、便携、灵活的分布式/移动深度学习框架，支持Python, R, Julia, Scala, Go, Javascript等等语言。
MXNet是一款设计为效率和灵活性的深度学习框架。它允许你混合符号编程和命令式编程，从而最大限度提高效率和生产力。在其核心是一个动态的依赖调度，它能够自动并行符号和命令的操作。一个图形优化层，使得符号执行速度快，内存使用高效。这个库便携，轻量，而且能够扩展到多个GPU和多台机器。
15.Theano
Stars：4286
Theano 是一个 Python 库，用来定义、优化和模拟数学表达式计算，用于高效的解决多维数组的计算问题。
16.Leaf
Stars：4281
黑客的开源机器智能框架。
17.Char RNN
Stars：3820
多层递归神经网络的字符级别语言模型，基于Torch开发。
18.Neural Talk
Stars：3694
NeuralTalk是一个Python+numpy项目，用多模式递归神经网络描述图像。
Stars：3673
基于Hadoop 和 Spark的Java, Scala & Clojure深度学习工具。
Deeplearning4j（简称DL4J）是为Java和Scala编写的首个商业级开源分布式深度学习库。DL4J与Hadoop和Spark集成，为商业环境（而非研究工具目的）所设计。Skymind是DL4J的商业支持机构。
Deeplearning4j 技术先进，以即插即用为目标，通过更多预设的使用，避免太多配置，让非研究人员也能够进行快速的原型制作。DL4J同时可以规模化定制。DL4J遵循Apache 2.0许可协议，一切以其为基础的衍生作品均属于衍生作品的作者。
20.TFLearn
Stars：3368
深度学习库，包括高层次的TensorFlow接口。
Stars：3352
神经网络模型示例。
22.OpenAI Gym
Stars：3020
一种用于开发和比较强化学习算法的工具包。
23.Magenta
Stars：2914
Magenta: 音乐和艺术的生成与机器智能
Google Brain团队的一组研究人员发布了一个项目Project Magenta，其主要目标是利用机器学习创作艺术和谱写曲子。Project Magenta使用了 TensorFlow系统，研究人员在GitHub上开源了他们的模型和工具。
研究人员称，机器生成的音乐已经存在了许多年，但它们在都缺乏长的叙事艺术。Project Magenta就试图将故事作为机器生成音乐的重要部分。Google公布了一个DEMO（MP3）表现Magenta项目的成果。
24.Colornet
Stars：2798
用神经网络模型给灰度图上色。
25.Synaptic
Stars：2666
基于node.js和浏览器的免架构神经网络库。
Stars：2550
Torch开发的图像简介生成代码，运行在GPU上。
Stars：2540
使用神经匹配和融合生成相似图形。
Stars：2413
Tensorflow，从基础原理到应用。
29.Lasagne
Stars：2355
基于Theano训练和构建神经网络的轻型函数库。
30.PyLearn2
Stars：2153
基于Theano的机器学习库。
31.LISA-lab Deep Learning Tutorials
Stars：2134
深度学习教程笔记和代码。详情参见wiki页面。
32.Neon
Stars：2121
Nervana™开发的一款快速、可扩展、易上手的Python深度学习框架.
neon 是 Nervana System 的深度学习软件。根据Facebook一位研究者的基准测试，Nervana的软件比业界知名的深度学习工具性能都要高，包括Facebook自己的Torch7和Nvidia的cuDNN。
33.Matlab Deep Learning Toolbox
Stars：2032
Matlab/Octave的深度学习工具箱。包括深度信念网络、自动编码机、卷积神经网络、卷积自动编码机和vanilla神经网络等。每种方法都有入门示例。
Stars：1721
使用深度强化学习破解Flappy Bird游戏(深度 Q-学习).
35.dl-setup
Stars：1607
在深度学习机上设置软件说明。
36.Chainer
Stars：1573
一款灵活的深度学习神经网络框架。
Chainer是深度学习的框架，Chainer在深度学习的理论算法和实际应用之间架起一座桥梁。它的特点是强大、灵活、直观，被认为是深度学习的灵活框架。
Stars：1514
看图讲故事的递归神经网络模型。
38.DIGITS
Stars：1353
深度学习GPU训练系统。
39.Deep Jazz
Stars：1229
基于Keras和Theano生成jazz的深度学习模型！
40.Tiny DNN
Stars：1183
仅引用头文件，无依赖且使用 C ++ 11 的深度学习框架
41.Brainstorm
Stars：1143
快速、灵活、有趣的神经网络。
42.dl-docker
Stars：1044
一个用于深度学习的一体化 Docker 镜像。 包含所有流行的 DL 框架（TensorFlow，Theano，Torch，Caffe等）。
43.Darknet
Stars：937
C语言版本的开源神经网络。
Stars：904
基于Theano的机器学习入门教程，从线性回归到卷积神经网络。
Stars：904
一款生成古典音乐的递归神经网络工具。
46.Blocks
Stars：866
用于构建和训练神经网络模型的Theano框架
47.TDB
Stars：860
TensorFlow的交互式、节点调试和可视化的工具。
TensorDebugger (TDB) 是深度学习调试器，使用断点和计算机图形化实时数据流可视化扩展 TensorFlow（谷歌的深度学习框架）。特别的是，TDB 是一个 Python 库和 一个 Jupyter Notebook 扩展的结合，构建 Google 的 TensorFlow 框架。
Stars：849
深度神经网络入门工具，类似scikit-learn的分类器和回归模型。
49.Veles
Stars：760
分布式机器学习平台(Python, CUDA, OpenCL)
VELES 是分布式深度学习应用系统，用户只需要提供参数，剩下的都可以交给 VELES。VELES 使用 Python 编写，使用 OpenCL 或者 CUDA，利用基于 Flow 的编程。它是三星开发的另一个 TensorFlow。
50.Deep Detect
Stars：759
基于C++11的深度学习接口和服务器，与Python绑定并支持Caffe。
Stars：759
基于Google Tensorflow的深度Q学习演示。
Stars：724
基于Spark的Caffe。
雅虎认为，深度学习应该与现有的支持特征工程和传统（非深度）机器学习的数据处理管道在同一个集群中，创建CaffeOnSpark意在使得深度学习训练和测试能被嵌入到Spark应用程序中。CaffeOnSpark被设计成为一个Spark深度学习包。
53.Nolearn
Stars：702
神经网络库的抽象，著名的Lasagne。
Stars：568
基于tensorflow实现的深度卷积生成对抗网络。
55.MatConvNet
Stars：479
MATLAB CNN 计算机视觉应用工具箱。
56.DeepCL
Stars：413
用于训练深度卷积神经网络模型的OpenCL库。
Stars：304
可视化搜索服务器。一个简单使用TensorFlow，InceptionV3模型和AWS GPU实例实现的视觉搜索服务器。
代码实现两个方法，一个处理图像搜索的服务器和一个提取pool3功能的简单索引器。 最近邻搜索可以使用近似（更快）或使用精确方法（更慢）以近似方式执行。
