九個值得關注的開源 AI 框架項目

作者：andflow 2024-09-18 06:20:00

除了一些出名的框架之外，還有一些在開源世界中不是那么熱門，但卻非常好用的AI工具或框架項目值得關注。

像TensorFlow和PyTorch這樣知名的框架推動著人工智能的蓬勃發展，但除了這些出名的框架之外，還有一些在開源世界中不是那么熱門，但卻非常好用的AI工具或框架項目值得關注，它們在NLP、機器視覺等方面也有獨特的先進性和創新性，可以為AI應用提供獨特的解決方案。

1.Hugging Face Transformers

https://github.com/huggingface/transformers

Star：132K

Transformers是許多大名鼎鼎的大語言預訓練模型的算法，因此這個全面的自然語言處理（NLP）庫值得更多關注。Hugging Face Transformers庫是一個面向Pytorch、TensorFlow和JAX的先進機器學習庫。為各種NLP任務提供了大量的預訓練模型，包括：文字生成、摘要、翻譯、情感分析等等。

下面是一個使用Transformers 管道進行文本正面、負面分類的例子：

>>> from transformers import pipeline

# Allocate a pipeline for sentiment-analysis

>>> classifier = pipeline('sentiment-analysis')

>>> classifier('We are very happy to introduce pipeline to the transformers repository.')

[{'label': 'POSITIVE', 'score': 0.9996980428695679}]

下面是一個實現圖像對象檢測的例子：

>>> import requests
>>> from PIL import Image
>>> from transformers import pipeline

# Download an image with cute cats
>>> url = "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/coco_sample.png"
>>> image_data = requests.get(url, stream=True).raw
>>> image = Image.open(image_data)

# Allocate a pipeline for object detection
>>> object_detector = pipeline('object-detection')
>>> object_detector(image)
[{'score': 0.9982201457023621,
  'label': 'remote',
  'box': {'xmin': 40, 'ymin': 70, 'xmax': 175, 'ymax': 117}},
 {'score': 0.9960021376609802,
  'label': 'remote',
  'box': {'xmin': 333, 'ymin': 72, 'xmax': 368, 'ymax': 187}},
 {'score': 0.9954745173454285,
  'label': 'couch',
  'box': {'xmin': 0, 'ymin': 1, 'xmax': 639, 'ymax': 473}},
 {'score': 0.9988006353378296,
  'label': 'cat',
  'box': {'xmin': 13, 'ymin': 52, 'xmax': 314, 'ymax': 470}},
 {'score': 0.9986783862113953,
  'label': 'cat',
  'box': {'xmin': 345, 'ymin': 23, 'xmax': 640, 'ymax': 368}}]

除了pipeline，要在給定任務中下載和使用任何預訓練模型，只需三行代碼。以下是PyTorch版本：

>>> from transformers import AutoTokenizer, AutoModel

>>> tokenizer = AutoTokenizer.from_pretrained("google-bert/bert-base-uncased")
>>> model = AutoModel.from_pretrained("google-bert/bert-base-uncased")

>>> inputs = tokenizer("Hello world!", return_tensors="pt")
>>> outputs = model(**inputs)

2.Fastai

https://github.com/fastai/fastai

Star：26K

Fastai是一個深度學習庫，它為AI 從業者提供了許多高級組件，可以快速、輕松地在標準深度學習領域實現最先進的效果，并為研究人員提供了用以構建新方法的低級組件。它的目標是做到以上這兩點，并且不會在易用性、靈活性或性能方面做出實質性的妥協。這要歸功于一個精心分層的架構，它以解耦、抽象的形式實現了許多深度學習和數據處理技術的共同基礎模式。通過利用底層Python語言的動態性和PyTorch庫的靈活性，可以簡潔明了地實現這些抽象。

fastai的特性包括：