在這篇文章中，我們將着眼於一些在2019年由MyBridge排名的頂級開源機器學習項目。
1、Real-Time-Voice-Cloning (13.7 k⭐️)
這個項目是SV2TTS論文的一個實現，帶有一個實時工作的聲碼器。使用這個r你可以在5秒內克隆一個語音，從而實時生成任意語音。SV2TTS三階段深度學習框架允許從幾秒鐘的音頻中創建語音的數字表示。
論文地址：
https://arxiv.org/abs/1806.04558
Github地址：
https://github.com/CorentinJ/Real-Time-Voice-Cloning
2、UGATIT(4.4K ⭐️)
這是一個U-GAT-IT的TensorFlow實現。本文在此基礎上，提出了一種實現無監督圖像-圖像翻譯的方法，該方法在端到端之間加入了一個新的注意模塊和一個新的可學習歸一化函數。
注意力模塊引導模型關注更重要的區域，從而根據輔助分類器獲得的注意力圖區分源域和目標域。AdaLIN (Adaptive Layer-Instance Normalization)函數幫助模型通過學習參數控制形狀和紋理的變化量。
論文地址：
https://arxiv.org/abs/1907.10830
Github地址：
https://github.com/taki0112/UGATIT
3、RAdam(1.9K ⭐️)
這是通過調整自適應學習過程的方差來實現的。作者使用圖像分類、語言建模和神經機器翻譯任務來獲得實驗結果。
論文地址：
https://arxiv.org/abs/1908.03265
Github地址：
https://github.com/LiyuanLucasLiu/RAdam
4、Dlrm(1.7K ⭐️)
這是最新的深度學習推薦模型（DLRM），可在PyTorch和Caffe2中可用。該模型有一個專門的並行化方案，利用嵌入表上的模型並行性來遷移內存約束。這使得利用數據並行性來擴展全連接層的計算成爲可能。
論文地址：
https://arxiv.org/abs/1906.00091
Github地址：
https://github.com/facebookresearch/dlrm
5、TecoGAN(1.3K ⭐️)
本文提出了一種對抗性訓練視頻的超分辨率，在不犧牲空間細節的前提下獲得時間相干的解。它還提出了一個乒乓損失，可以在不降低感知質量的情況下消除週期性網絡中的時間僞影。
論文地址：
https://github.com/thunil/TecoGAN
Github地址：
https://arxiv.org/abs/1811.09393
6、Megatron-LM(1.1K ⭐️)
目前，它能夠在512個GPU上使用8路模型和64路數據並行性來訓練72層，83億參數的GPT2語言模型。它還可以在3天內在64個V100 GPU上訓練BERT Large。
Github地址：
https://github.com/NVIDIA/Megatron-LM
7、TensorNetwork(1.0K ⭐️)
TensorNetwork是一個用於實現tensor網絡算法的開源庫。它是tensor網絡包裝器，用於TensorFlow、JAX、PyTorch和NumPy。tensor網絡是目前應用於機器學習研究的稀疏數據結構。開發人員還不提倡在生產環境中使用該工具。
論文地址：
https://arxiv.org/abs/1906.06329
Github地址：
https://github.com/google/tensornetwork
8、Python_autocomplete(708 ⭐️)
這個項目的目的是測試LSTM能在多大程度上自動完成Python代碼。它基於TensorFlow。
Github地址：
https://github.com/vpj/python_autocomplete
9、Buffalo(365 ⭐️)
Buffalo是一個用於推薦系統的快速、可擴展、可生產的開源項目。它有效地利用系統資源，從而在低規格的機器上實現高性能。
Github地址：
https://github.com/kakao/buffalo
10、Realistic-Neural-Talking-Head-Models(312 ⭐️)
本文提出了一個可創建個性化真實感談話頭部模型的模型。它的目的是在給定面部表情的情況下合成逼真的個性化頭部圖像。這適用於視頻會議，特殊效果行業以及多人遊戲。所提出的系統能夠以特定於人的方式初始化生成器和鑑別器的參數。這使訓練過程可以快速消耗一些圖像。
Github地址：
https://github.com/vincent-thevenin/Realistic-Neural-Talking-Head-Models
關於更多機器學習、人工智能、增強現實資源和技術乾貨，可以關注公衆號：AIRX社區，共同學習，一起進步！
