關(guān)于的項(xiàng)目，相信大家都看過或者用過不少了，但它們的大多數(shù)看上去都十分“高大上”，讓人感覺要掌握他們猶如習(xí)屠龍之術(shù)一樣。事實(shí)上，有很多關(guān)于人工智能的項(xiàng)目還是十分實(shí)用的，而且用途還十分有趣，下面就簡單為大家盤點(diǎn) 10 個(gè)功能獨(dú)特的開源人工智能項(xiàng)目。

推薦理由：新一代的強(qiáng)大線稿上色 AI，可根據(jù)用戶上傳的自定義色彩給線稿進(jìn)行上色。項(xiàng)目提供了網(wǎng)站，十分方便使用。

推薦理由：SerpentAI 旨在為和 AI 研究提供一個(gè)有價(jià)值的工具。但同時(shí)，對于愛好者來說，它也是非常有趣的。

Serpent.AI 中包含大量支持模塊，在以游戲?yàn)殚_發(fā)環(huán)境時(shí)經(jīng)常遇到的場景提供解決方案，同時(shí)也提供加速開發(fā)的 CLI 工具。支持 Linux、Windows 和 MacOS 。

SerpentAI 是一個(gè) Game Agent 框架（ps：在人機(jī)對戰(zhàn)中，為了區(qū)分玩家，通常稱機(jī)器玩家為 agent ），簡單而又強(qiáng)大。它能把任何一個(gè)游戲變成用 Python 編寫的沙盒環(huán)境，供開發(fā)者在其中創(chuàng)造游戲 Game Agent 做實(shí)驗(yàn)，使用的都是開發(fā)者非常熟悉的 Python 代碼。

推薦理由：Synaptic.js 是一個(gè)用于 node.js 和瀏覽器的 JavaScript 神經(jīng)網(wǎng)絡(luò)庫，可以構(gòu)建和訓(xùn)練基本上任何類型的一階甚至二階神經(jīng)網(wǎng)絡(luò)。

該項(xiàng)目內(nèi)置了 4 種經(jīng)典的神經(jīng)網(wǎng)絡(luò)算法：多層感知器（multilayer perceptrons）、長短期記憶網(wǎng)絡(luò)（multilayer long-short term memory networks）、液體狀態(tài)機(jī)（Liquid State Machine）、Hopfield神經(jīng)網(wǎng)絡(luò)。使用 Synaptic.js ，你可以輕松測試和比較不同體系結(jié)構(gòu)的性能。

推薦理由：一個(gè)用 C/C++ 語言編寫的貪吃蛇游戲的。使用了最短路徑、最長路徑、人工智能算法。

AI 的目的是讓蛇盡可能的吃更多的食物，直到吃滿整個(gè)地圖。

Demo

推薦理由：unCAPTCHA 算法以 85% 的成功率擊敗了 Google reCAPTCHA 系統(tǒng)。它依靠音頻驗(yàn)證碼攻擊 - 使用瀏覽器自動(dòng)化軟件來解析必要的元素并識(shí)別語音號(hào)碼，并以編程方式傳遞這些數(shù)字，最終成功欺騙目標(biāo)網(wǎng)站。

推薦理由：Sockeye 是一個(gè)基于  的快速而可擴(kuò)展的深度學(xué)習(xí)庫。

Sockeye 代碼庫具有來自 MXNet 的獨(dú)特優(yōu)勢。例如，通過符號(hào)式和命令式 MXNet API，Sockeye 結(jié)合了陳述式和命令式編程風(fēng)格；它同樣可以在多塊 GPU 上并行訓(xùn)練模型。

Sockeye 實(shí)現(xiàn)了 MXNet 上當(dāng)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(shù)提供恰當(dāng)?shù)哪J(rèn)值。對于優(yōu)化，無需擔(dān)心停止標(biāo)準(zhǔn)、指標(biāo)跟蹤或者權(quán)重初始化。可以簡單地運(yùn)行已提供的訓(xùn)練命令行界面（CLI），也可以輕易改變基礎(chǔ)模型架構(gòu)。

推薦理由：我們都知道 Python 或者是 C++ 提供了更多機(jī)器學(xué)習(xí)的庫，但他們大多都比較復(fù)雜，配置起來讓很多新手感到頭疼。PHP-ML 這個(gè)機(jī)器學(xué)習(xí)庫雖然沒有特別高大上的算法，但其具有最基本的機(jī)器學(xué)習(xí)、分類等算法，小項(xiàng)目或者小公司做一些簡單的、預(yù)測等等足以夠用。

PHP-ML 是使用 PHP 編寫的機(jī)器學(xué)習(xí)庫。同時(shí)包含算法，交叉驗(yàn)證，神經(jīng)網(wǎng)絡(luò)，預(yù)處理，特征提取等。

推薦理由：這個(gè)工具功能十分強(qiáng)大，不僅可將繪畫作品“還原”成照片（可理解為是一個(gè) “反濾鏡”），還能將夏天轉(zhuǎn)換成冬天，或?qū)⑵胀ǖ鸟R轉(zhuǎn)化成斑馬。

與其它人工智能繪畫不同，CycleGAN 的研究團(tuán)隊(duì)試圖建立一個(gè)可雙向轉(zhuǎn)化不丟失信息的雙向算法。在 CycleGAN 里照片的細(xì)節(jié)被要求完全保留，研究人員希望能夠?qū)⒁粡垐D片輸入 CycleGAN 后進(jìn)行多次反復(fù)轉(zhuǎn)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 是谷歌推出的一個(gè)可用于機(jī)器智能并加速 WebGL 的開源 JavaScript 庫，完全在瀏覽器中運(yùn)行，不需要安裝，不需要后端處理。。

DeepLearn.js 提供高效的機(jī)器學(xué)習(xí)構(gòu)建模塊，使我們能夠在瀏覽器中訓(xùn)練神經(jīng)網(wǎng)絡(luò)或在推斷模式中運(yùn)行預(yù)訓(xùn)練模型。它提供構(gòu)建可微數(shù)據(jù)流圖的 API，以及一系列可直接使用的數(shù)學(xué)函數(shù)。

雖然瀏覽器上的機(jī)器學(xué)習(xí)庫已經(jīng)存在多年（例如 Andrej Karpathy 的 convnetjs），但是它們受到 JavaScript 速度的限制，或者局限于推理而不能用于訓(xùn)練（例如 TensorFire）。相比之下，deeplearn.js 通過利用 WebGL 在GPU上執(zhí)行計(jì)算，以及進(jìn)行完全反向傳播（full backpropagation）的能力，實(shí)現(xiàn)了顯著的加速。

推薦理由：TensorFire 是基于 WebGL 的，運(yùn)行在瀏覽器中的神經(jīng)網(wǎng)絡(luò)框架。使用 TensorFire 編寫的應(yīng)用能夠在實(shí)現(xiàn)前沿深度學(xué)習(xí)算法的同時(shí)，不需要任何的安裝或者配置就直接運(yùn)行在現(xiàn)代瀏覽器中。

與之前某些瀏覽器內(nèi)的神經(jīng)網(wǎng)絡(luò)框架相比，TensorFire 有著近百倍的速度提升，甚至于能夠與那些運(yùn)行在本地 CPU 上的代碼性能相媲美。

開發(fā)者也可以使用 TensorFire 提供的底層接口來進(jìn)行其他的高性能計(jì)算，譬如 PageRank、元胞自動(dòng)機(jī)仿真、圖片轉(zhuǎn)化與過濾等等。

相信還有其他優(yōu)秀的開源人工智能項(xiàng)目尚未在本文出現(xiàn)，歡迎各位在評論中留下你們的推薦~