關于人工智能的項目，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屠龍之術一樣。事實上，有很多關于人工智能的項目還是十分實用的，而且用途還十分有趣，下面就簡單為大家盤點 10 個功能獨特的開源人工智能項目。

1. STYLE2PAINTS：強大的為線稿上色的 AI

推薦理由：新一代的強大線稿上色 AI，可根據(jù)用戶上傳的自定義色彩給線稿進行上色。項目提供了在線使用網(wǎng)站，十分方便使用。

 

2. SerpentAI：基于 Python 的教 AI 打游戲的學習框架

推薦理由：SerpentAI 旨在為機器學習和 AI 研究提供一個有價值的工具。但同時，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，在以游戲為開發(fā)環(huán)境時經(jīng)常遇到的場景提供解決方案，同時也提供加速開發(fā)的 CLI 工具。支持 Linux、Windows 和 MacOS 。

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

3. Synaptic.js：用于瀏覽器的神經(jīng)網(wǎng)絡庫

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

該項目內(nèi)置了 4 種經(jīng)典的神經(jīng)網(wǎng)絡算法：多層感知器（multilayer perceptrons）、長短期記憶網(wǎng)絡（multilayer long-short term memory networks）、液體狀態(tài)機（Liquid State Machine）、Hopfield神經(jīng)網(wǎng)絡。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。

4. Snake-AI：貪吃蛇游戲的人工智能

推薦理由：一個用 C/C++ 語言編寫的貪吃蛇游戲的人工智能。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，直到吃滿整個地圖。

Demo

5. Uncaptcha：破解 reCAPTCHA 系統(tǒng)的 AI 算法

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

6. Sockeye：基于 Apache MXNet 的神經(jīng)機器翻譯框架

推薦理由：Sockeye 是一個基于 Apache MXNet 的快速而可擴展的深度學習庫。

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

Sockeye 實現(xiàn)了 MXNet 上當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?shù)哪J值。對于優(yōu)化，無需擔心停止標準、指標跟蹤或者權重初始化?？梢院唵蔚剡\行已提供的訓練命令行界面（CLI），也可以輕易改變基礎模型架構(gòu)。

7. PHP-ML：PHP 機器學習庫

推薦理由：我們都知道 Python 或者是 C++ 提供了更多機器學習的庫，但他們大多都比較復雜，配置起來讓很多新手感到頭疼。PHP-ML 這個機器學習庫雖然沒有特別高大上的算法，但其具有最基本的機器學習、分類等算法，小項目或者小公司做一些簡單的數(shù)據(jù)分析、預測等等足以夠用。

PHP-ML 是使用 PHP 編寫的機器學習庫。同時包含算法，交叉驗證，神經(jīng)網(wǎng)絡，預處理，特征提取等。

8. CycleGAN：生成對抗網(wǎng)絡圖像處理工具

推薦理由：這個工具功能十分強大，不僅可將繪畫作品“還原”成照片（可理解為是一個 “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 的研究團隊試圖建立一個可雙向轉(zhuǎn)化不丟失信息的雙向算法。在 CycleGAN 里照片的細節(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 后進行多次反復轉(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。

9. DeepLearn.js：可實現(xiàn)硬件加速的機器學習 JavaScript 庫

DeepLearn.js 是谷歌推出的一個可用于機器智能并加速 WebGL 的開源 JavaScript 庫，完全在瀏覽器中運行，不需要安裝，不需要后端處理。。

DeepLearn.js 提供高效的機器學習構(gòu)建模塊，使我們能夠在瀏覽器中訓練神經(jīng)網(wǎng)絡或在推斷模式中運行預訓練模型。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)學函數(shù)。

雖然瀏覽器上的機器學習庫已經(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練（例如 TensorFire）。相比之下，deeplearn.js 通過利用 WebGL 在GPU上執(zhí)行計算，以及進行完全反向傳播（full backpropagation）的能力，實現(xiàn)了顯著的加速。

10. TensorFire：基于 WebGL 的瀏覽器端神經(jīng)網(wǎng)絡框架

推薦理由：TensorFire 是基于 WebGL 的，運行在瀏覽器中的神經(jīng)網(wǎng)絡框架。使用 TensorFire 編寫的應用能夠在實現(xiàn)前沿深度學習算法的同時，不需要任何的安裝或者配置就直接運行在現(xiàn)代瀏覽器中。

與之前某些瀏覽器內(nèi)的神經(jīng)網(wǎng)絡框架相比，TensorFire 有著近百倍的速度提升，甚至于能夠與那些運行在本地 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行其他的高性能計算，譬如 PageRank、元胞自動機仿真、圖片轉(zhuǎn)化與過濾等等。