當談到數據科學和機器學習時，GitHub和Reddit是兩個***的平臺。前者是代碼和項目之間共享和協作的***工具，而后者則是與全球數據科學愛好者交流的***平臺。

我們每個月都會盤點GitHub上最***的數據科學和機器學習庫，下面我們一起來看看本月上榜的有哪些庫：

1、Deep Painterly Harmonization 

對圖像進行處理并且使處理后的圖像看起來像真實圖像一樣這類技術已經存在很久了。但是通過深度學習去實現將會更加有效率和更加逼真。開發人員提出了一種算法用以實現繪制一幅繪畫：在一張圖片中添加一個外部元素并使其與之融合，而且看起來幾乎與原始繪畫風格一樣。

正如上面的圖像所示-右邊第三幅是最終輸出，如果我們沒有前面的兩個圖像，我們可能無法區分出氣球是一個外部插入對象。這種算法產生比照片合成或全局程式化技術( global stylization techniques)更精確的結果，并且實現迄今為止非常難以實現的處理水平。(項目地址：https://github.com/luanfujun/deep-painterly-harmonization)

2、Swift for TensorFlow

Swift for TensorFlow上個月在TensorFlow開發者峰會上***公布演示。Swift for TensorFlow 為 TensorFlow 提供了一種新的編程模型，為解決現有問題開辟了新的設計機會和新的途徑。

據介紹，Swift for TensorFlow結合了圖的性能、Eager Execution的靈活性和表達能力，重點提高了堆棧中各個層次的可用性，不過該項目仍處于初始階段，因此尚未準備好寫入深度學習模型。點擊查閱更多相關資料：《可以拋棄 Python 了?Google 開源 Swift for TensorFlow》

3、MUNIT 

來自康奈爾大學的研究小組提出了一種多模態無監督的圖像到圖像轉換問題的標準框架-(MUNIT)框架，用于將圖像從一個域轉換到另一個域。通俗來講，就是拍攝一張圖像，并從中產生一個新圖像(例如，將狗的圖像轉換為貓)。

先前存在的方法僅僅可以實現給定圖像的一對一映射，因此不能對一個圖像產生多個不同輸出結果。而MUNIT的另一個激動人心的功能正是可以為一張圖片提供多個輸出。(項目地址：https://github.com/NVlabs/MUNIT)

4、GluonNLP 

GluonNLP 提供了 NLP 領域***深度學習模型的實現，且建立了文本數據管道和模型的模塊。設計上，它同樣也是為了讓工程師、研究員和學生能快速的實現研究思路，做出產品原型。

該存儲庫有一個很好的文檔，以及如何使用該庫的詳細示例。他們甚至為膠粘劑新手們準備了一個精心打包的60分鐘速成課程。(項目地址：https://github.com/dmlc/gluon-nlp)

5、PyTorch GAN

它是研究論文中介紹的GAN(或生成敵對網絡)的PyTorch實現的集合。目前存儲庫列出了24種不同的實現，每種實現都以其獨特的方式增加了您的知識。該列表包含Adversarial Autoencoders，CycleGAN，Least Squares GAN，Pix2Pix等實現。(項目地址：https://github.com/eriklindernoren/PyTorch-GAN)