关于人工智能的项目，相信大家都看过或者用过不少了，但它们的大多数看上去都十分“高大上”，让人觉得要节制他们犹如习屠龙之术一样。
事实上，有很多关于人工智能的项目还是十分实用的，而且用场还十分有趣，下面就大略为大家盘点 10 个功能独特的开源人工智能项目。

STYLE2PAINTS：强大的为线稿上色的 AI

开拓者弗成错过的10 小我工智能开源项目_神经收集_情由 绘影字幕

https://www.oschina.net/p/style2paints

推举情由：新一代的强大线稿上色 AI，可根据用户上传的自定义色彩给线稿进行上色。
项目供应了在线利用网站，十分方便利用。

SerpentAI：教 AI 打游戏的学习框架

https://www.oschina.net/p/serpentai

推举情由：SerpentAI 旨在为机器学习和 AI 研究供应一个有代价的工具。
但同时，对付爱好者来说，它也是非常有趣的。

Synaptic.js：用于浏览器的神经网络库

https://www.oschina.net/p/synapticjs

推举情由：Synaptic.js 是一个用于 node.js 和浏览器的 JavaScript 神经网络库，可以构建和演习基本上任何类型的一阶乃至二阶神经网络。

该项目内置了 4 种经典的神经网络算法：多层感知器（multilayer perceptrons）、是非期影象网络（multilayer long-short term memory networks）、液体状态机（Liquid State Machine）、Hopfield神经网络。
利用 Synaptic.js ，你可以轻松测试和比较不同体系构造的性能。

Snake-AI：饕餮蛇游戏的人工智能

https://www.oschina.net/p/snake-ai

推举情由：一个用 C/C++ 措辞编写的饕餮蛇游戏的人工智能。
利用了最短路径、最长路径、人工智能算法。

AI 的目的是让蛇尽可能的吃更多的食品，直到吃满全体舆图。

Demo

Uncaptcha

https://www.oschina.net/p/uncaptcha

推举情由：破解 reCAPTCHA 系统的 AI 算法。
unCAPTCHA 算法以 85% 的成功率击败了 Google reCAPTCHA 系统。
它依赖音频验证码攻击 - 利用浏览器自动化软件来解析必要的元素并识别语音号码，并以编程办法通报这些数字，终极成功欺骗目标网站。

Sockeye：神经机器翻译框架

https://www.oschina.net/p/sockeye

推举情由：Sockeye 是一个基于 Apache MXNet 的快速而可扩展的深度学习库。

Sockeye 代码库具有来自 MXNet 的独特上风。
例如，通过符号式和命令式 MXNet API，Sockeye 结合了陈述式和命令式编程风格；它同样可以在多块 GPU 上并行演习模型。

Sockeye 实现了 MXNet 上当前最佳的序列到序列模型。
它同样为所有序列到序列模型的超参数供应恰当的默认值。
对付优化，无需担心停滞标准、指标跟踪或者权重初始化。
可以大略地运行已供应的演习命令行界面（CLI），也可以轻易改变根本模型架构。

PHP-ML：PHP 机器学习库

https://www.oschina.net/p/php-ml

推举情由：我们都知道 Python 或者是 C++ 供应了更多机器学习的库，但他们大多都比较繁芜，配置起来让很多新手感到头疼。

PHP-ML 这个机器学习库虽然没有特殊高大上的算法，但其具有最基本的机器学习、分类等算法，小项目或者小公司做一些大略的数据剖析、预测等等足以够用。

PHP-ML 是利用 PHP 编写的机器学习库。
同时包含算法，交叉验证，神经网络，预处理，特色提取等。

CycleGAN：天生对抗网络图像处理工具

https://www.oschina.net/p/cyclegan

推举情由：这个工具功能十分强大，不仅可将绘画作品“还原”成照片（可理解为是一个 “反滤镜”），还能将夏天转换成冬天，或将普通的马转化成斑马。

与其它人工智能绘画不同，CycleGAN 的研究团队试图建立一个可双向转化不丢失信息的双向算法。

在 CycleGAN 里照片的细节被哀求完备保留，研究职员希望能够将一张图片输入 CycleGAN 后进行多次反复转化（照片→绘画→照片→绘画→照片），终极可以得到与原始照片相同或附近的图片。

DeepLearn.js：加速硬件的机器学习JS库

https://www.oschina.net/p/deeplearn-js

DeepLearn.js 是谷歌推出的一个可用于机器智能并加速 WebGL 的开源 JavaScript 库，完备在浏览器中运行，不须要安装，不须要后端处理。

DeepLearn.js 供应高效的机器学习构建模块，使我们能够在浏览器中演习神经网络或在推断模式中运行预演习模型。
它供应构建可微数据流图的 API，以及一系列可直策应用的数学函数。

虽然浏览器上的机器学习库已经存在多年（例如 Andrej Karpathy 的 convnetjs），但是它们受到 JavaScript 速率的限定，或者局限于推理而不能用于演习（例如 TensorFire）。

比较之下，deeplearn.js 通过利用 WebGL 在GPU上实行打算，以及进行完备反向传播（full backpropagation）的能力，实现了显著的加速。

TensorFire：浏览器端神经网络框架

https://www.oschina.net/p/tensorfire

推举情由：TensorFire 是基于 WebGL 的，运行在浏览器中的神经网络框架。
利用 TensorFire 编写的运用能够在实现前沿深度学习算法的同时，不须要任何的安装或者配置就直接运行在当代浏览器中。

与之前某些浏览器内的神经网络框架比较，TensorFire 有着近百倍的速率提升，乃至于能够与那些运行在本地 CPU 上的代码性能相媲美。

开拓者也可以利用 TensorFire 供应的底层接口来进行其他的高性能打算，譬如 PageRank、元胞自动机仿真、图片转化与过滤等等。

最近无意中创造了一个巨牛的人工智能教程，忍不住分享一下给大家。
教程不仅是零根本，普通易懂，而且非常风趣诙谐，像看小说一样！
以为太牛了，以是分享给大家。
点这里可以跳转到教程。

https://www.captainbed.net/suga