李宏毅教授的深度学习教程，基于《机器学习》（2021年春）并进行了优化，涵盖卷积神经网络、生成模型和自监督学习等多个领域。教程通过详细推导和重点讲解，降低了学习难度，适合中文学习者入门深度学习。

这本开源书籍使用Jupyter笔记本无缝整合深度学习的概念、背景和代码，免费提供给所有人。书中包含可运行代码、技术深度和社区讨论，帮助读者解决实际问题并成长为应用机器学习科学家。

ONNX Runtime是一款跨平台的机器学习推理和训练加速工具，兼容PyTorch、TensorFlow/Keras、scikit-learn等深度学习框架及传统机器学习库。它支持多种硬件和操作系统，通过硬件加速和图优化实现最佳性能，显著提升模型推理和训练速度，尤其在多节点NVIDIA GPU上的Transformer模型训练中表现出色。

ONNX是一个开放生态系统，提供AI模型的开源格式，支持深度学习和传统机器学习。通过定义可扩展的计算图模型和内置操作符及标准数据类型，ONNX增强了不同框架间的互操作性，加速了从研究到生产的转化。ONNX广泛支持各种工具和硬件，助力AI社区快速创新。了解ONNX的文档、教程和预训练模型，加入社区，共同推动ONNX的发展。

全面解析成为人工智能专家的路线图，从数据科学、机器学习到深度学习，涵盖所有必备知识和技能。项目旨在帮助新员工和社区成员掌握AI技术。互动版提供详细步骤链接，并通过定期更新保持前沿性。关注项目获取最新AI研究与应用案例，了解不同工具的适用场景，助力职业发展。

AutoKeras是由德州农工大学DATA实验室开发的开源项目，旨在简化机器学习流程。通过Keras的AutoML系统，用户能够轻松完成图像分类等任务。支持Python 3.7及以上版本和TensorFlow 2.8.0及以上版本，安装方便，只需使用pip命令。提供详细的官方教程和相关书籍资源，社区鼓励贡献和参与。

该项目每日更新和整理计算机视觉、深度学习及机器学习领域的最新优质论文和项目，涵盖多个研究方向。内容涵盖从2017年至今的顶会顶刊论文列表和代码链接，为研究人员提供丰富的资源参考。

TensorFlow Serving 是一个为生产环境设计的灵活且高性能的机器学习模型推理系统。它管理训练后的模型生命周期，通过高效查询表提供版本化访问，支持多模型和多版本同时部署。系统支持 gRPC 和 HTTP 推理端点，允许无缝部署新版本，支持金丝雀发布和 A/B 测试，并且延迟极低。调度器将推理请求分组以在 GPU 上联合执行，支持包括 TensorFlow 模型、嵌入、词汇表和特征转换在内的多种服务对象。

在线阅读《机器学习训练秘籍》中文版，了解机器学习训练指南。此版本为预览版，欢迎通过项目Issues、Pull Request或邮件参与翻译改进。本项目遵循CC BY-NC-SA 4.0协议，允许共享和演绎但需署名且非商业使用。

Gorgonia是专为Go语言开发的机器学习库，提供自动微分、符号微分、梯度下降优化和数值稳定功能。用户可以轻松编写和评估多维数组的数学方程，并利用CUDA进行快速计算。其目标是成为高性能、可扩展的机器学习和图计算库，适合多机部署，同时支持非标准深度学习和神经网络研究。

NN-SVG是一款通过参数化方式创建神经网络架构图的工具，支持导出为SVG文件，适用于学术论文和网页。它能生成经典全连接神经网络、卷积神经网络和深度神经网络图形，使用D3和Three.js库，用户可自定义图形大小、颜色和布局。该工具旨在节省机器学习研究人员的时间，并可作为教学工具使用。

SynapseML是一个开源库，旨在简化大规模机器学习管道的创建。它提供简单、可组合和分布式的API，支持文本分析、视觉处理、异常检测等多种任务。基于Apache Spark，SynapseML与SparkML/MLLib共享相同的API，能够无缝集成到现有的Spark工作流中。该库支持Python、R、Scala、Java和.NET，适用于各种数据库和云数据存储，助力构建智能系统。

本项目提供全面易懂的TensorFlow教程，每个教程均附源代码和详细文档，帮助开发者和研究者快速高效地掌握TensorFlow。内容涵盖基础操作、机器学习、神经网络等多个领域，并提供虚拟环境安装指南，避免包冲突并支持环境定制。

Lance是为机器学习工作流程优化的现代列式数据格式，提供比Parquet快100倍的随机访问性能，支持矢量索引和数据版本控制。兼容pandas、DuckDB、Polars和pyarrow，适用于搜索引擎、大规模机器学习训练以及复杂数据的存储和查询，如机器人数据和大型图像。更多集成支持即将推出。

TensorFlow.js 是开源的硬件加速JavaScript库，专用于训练和部署机器学习模型。开发者能利用灵活直观的API在浏览器和Node.js环境中创建和运行模型，包括从头开始构建模型、运行现有模型和使用传感器数据重新训练模型。支持多种后端和平台，满足不同项目的需求。

探索迁移学习的最新论文、理论综述、研究领域等。页面提供丰富教程和代码库，助力你从基础到高级应用的学习。适合各级读者深入理解迁移学习的关键技术及前沿动态。

项目利用神经网络将设计图像转化为HTML/CSS代码。经过三次迭代，最终的Bootstrap版本模型实现了97%的准确性，采用GRU替代LSTM。该项目受Tony Beltramelli的pix2code、Airbnb的sketching interfaces和Harvard的im2markup启发。用户可在FloydHub或本地环境中运行模型，适合深度学习和前端开发爱好者。

支持多种格式的神经网络、深度学习和机器学习模型查看，包括ONNX、TensorFlow Lite、Core ML、Keras和Caffe等，实验性支持PyTorch、TorchScript等。适用于macOS、Linux、Windows和浏览器版本，提供简单的安装和启动方式，方便不同操作系统用户使用。

Lively Wallpaper提供视频、网页、应用和游戏等多种动态壁纸，支持多显示器和屏保功能。通过命令行和API实现自动化和互动，利用机器学习增强动态效果，硬件加速视频播放，使用简单高效，完全开源免费，兼容最新Windows 11设计。

本书详细介绍机器学习和深度学习的核心概念，教你使用Python及其主要库（如Scikit-Learn和TensorFlow）进行数据处理、分类、回归和模型优化。书中包含丰富的示例代码和Jupyter笔记本，帮助读者理解复杂的数学理论和实现步骤，是数据科学家和工程师学习和提升机器学习技能的理想选择。

Snorkel项目由斯坦福大学发起，致力于通过编程自动化标注、构建和管理训练数据，重塑机器学习项目的成功要素。该项目不仅实现了其研究目标，还与Google、Intel等领先机构合作，支持生产部署，并发表了大量相关论文。Snorkel现已发展为Snorkel Flow，一个简化AI应用开发的端到端平台。

本教程详细介绍了TensorFlow 2.0的安装与基础操作，并包含线性回归、MNIST、CIFAR10等多个实战案例。通过配套的视频资源，帮助数据科学家和AI研究人员掌握TensorFlow 2.0在深度学习中的实际应用。

TensorWatch是由微软研究院开发的调试和可视化工具，专为数据科学、深度学习和强化学习设计。它运行在Jupyter Notebook中，提供实时的机器学习训练可视化和分析功能。其灵活的架构允许创建自定义的可视化、界面和仪表板，并支持独特的Lazy Logging模式进行实时查询和流式数据处理。TensorWatch支持多种图表类型和并行流可视化，是一个易于使用且可扩展的调试平台。

ZenML是一个MLOps框架，帮助数据科学家和机器学习工程师标准化机器学习流程。用户可以通过Python装饰器创建机器学习流水线，并在AWS、GCP、Azure等云平台上运行。ZenML提供一键部署功能，支持远程堆栈快速设置和使用。其优势包括简化的端到端MLOps流程、与现有工具的无缝集成及全面的模型跟踪和审计功能。适合在复杂基础设施上构建和管理ML流水线的用户。

《Deep Learning with PyTorch》通过实际项目展示深度学习的基础知识，适合希望掌握PyTorch的开发者、计算机科学家、数据科学家及相关专业学生。书中提供了对深度学习的直观理解，并深入探讨PyTorch的部分功能，适合具备编程基础的读者。作者团队拥有丰富的实践经验和开源项目贡献，确保内容实用且前沿。

提供详尽的深度学习和机器学习速查表，包括Tensorflow、Keras、Numpy等热门工具，帮助工程师和研究人员快速掌握核心知识，提高工作效率。访问AI Cheatsheets获取更多资源和最新技术信息，适用于各水平从业者。

MediaPipe为开发者提供了一个平台，支持在移动、Web、桌面、边缘设备和物联网中集成机器学习功能。通过跨平台API和预训练模型，可快速部署和定制AI解决方案。MediaPipe还包含模型定制工具和浏览器内的可视化评估工具，支持高效开发和迭代。欢迎访问Google官方文档了解更多，并参与社区交流和贡献。

Sonnet是由DeepMind开发的TensorFlow 2扩展库，提供简单且可组合的抽象模型，核心概念为snt.Module，支持自定义和预定义模块。Sonnet不限制训练框架，适合监督、非监督和强化学习，并支持分布式训练和高级的TensorFlow功能。

该项目包含多种Keras实现的生成对抗网络（GAN），如AC-GAN、CycleGAN、Pix2Pix等，基于研究论文，提供核心概念的实现与详细教程。欢迎社区贡献以扩展更多GAN变体。

dlib是一个功能丰富的C++工具库，专注于机器学习解决方案，支持快速编译和高效运算。提供完整的Python集成和标准Boost许可，适用于各类项目。

MLflow 是一个轻量级平台，帮助简化机器学习的开发和部署过程。它支持实验跟踪、代码打包和模型部署，并且可以集成 TensorFlow、PyTorch 和 XGBoost 等库。主要组件包括 MLflow Tracking、MLflow Projects、MLflow Models 和 MLflow Model Registry，助力全面管理机器学习生命周期。

TaskWeaver是一个创新的代码优先代理框架，能够通过代码片段解释用户请求，并高效协调多种插件来执行数据分析任务。它的独特功能包括保留聊天和代码执行历史，适合处理高维表格等复杂数据结构。支持本地小型语言模型、多种LLM配置、容器模式和CLI模式，提供安全和用户友好的体验。

AutoGluon简化了机器学习任务，让用户可以在图像、文本、时间序列和表格数据上轻松训练和部署高精度模型。它支持Python 3.8至3.11，并可在Linux、MacOS和Windows上运行。只需几行代码即可快速构建端到端机器学习模型，提供详细的安装指南、快速入门教程和丰富的资源，适合各层次用户的需求。

FiftyOne 是一款提升机器学习工作流的开源工具，通过可视化数据集和解读模型结果来提高效率。用户可用它处理复杂标签、评估模型、探索场景、识别错误模式和注释错误等。安装简便，可通过 pip 安装并运行示例代码快速上手。

本书帮助读者在20天内系统性地掌握Pytorch，从基础到进阶，涵盖核心概念与实际应用。内容基于Pytorch官方文档，优化了结构和范例，提升了用户友好度。适合有一定基础的学习者，提供每日学习计划和实用代码，并附有资源获取方式。欢迎对Pytorch感兴趣的读者前来学习和讨论，获取全面的深度学习指南。

本仓库汇集了各种人工智能课程和资源链接，适合不同学习阶段的用户。涵盖生成式AI、深度学习、自然语言处理等多个主题的免费课程，资源来自麻省理工学院、斯坦福大学、哈佛大学等知名机构。欢迎贡献和建议，共同打造优质的AI学习平台。

本教程详细介绍了从创建自定义数据集到应用传统和深度学习算法的完整机器学习管道。基于哈佛大学高级数据科学课程项目，内容更新为PyTorch版本，适合希望深入理解和实践机器学习的用户。

Flux.jl是一个基于100%纯Julia技术栈的机器学习框架，结合原生GPU和自动微分支持，提供简洁优雅的解决方案。该框架使简单任务易于实现，并且高度可定制。适用于Julia 1.9及更高版本，支持快速模型构建与训练。了解更多信息，请参阅快速入门和文档页面。

DeepSpeech是一个开源语音转文字引擎，基于百度的Deep Speech研究，并利用Google TensorFlow实现。提供详细的安装、使用和训练模型文档。最新版本及预训练模型可在GitHub获取，支持和贡献指南请参阅相应文件。

AutoTrain Advanced 是一款无代码解决方案，只需几次点击即可训练机器学习模型。需要上传正确格式的数据以创建项目，关于数据格式和定价的详细信息请查阅文档。AutoTrain 免费使用，只需为使用的资源付费。支持在 Colab 和 Hugging Face Spaces 上运行，也可以通过 PIP 本地安装。适用于 Python 3.10 及以上版本，推荐在 Conda 环境中运行。更多信息请访问项目文档页面。

Gradio是一个开源Python库，能够快速构建机器学习模型、API或任意Python函数的演示或Web应用。其内置的共享功能允许在几秒钟内生成链接，无需JavaScript、CSS或Web托管经验。支持Python 3.8以上版本，提供多种组件和灵活布局，适用于各种应用场景。

这是一个基于机器学习的系统，可以将数学公式图像转换为相应的LaTeX代码。系统支持命令行工具、图形用户界面、API和Python集成，提供多种使用方式。适用于不同分辨率的图像，自动优化处理以提高识别性能。还包括模型训练指南和数据集生成工具，适用于科研和教育用途。

本项目利用TensorFlow技术，快速将照片和视频转换为多种名画风格。通过深度学习算法实现毫秒级风格迁移，并提供详细文档和示例，适用于研究和开发。项目采用实例归一化和感知损失优化，确保转换效果精美且实时。

DVC是一个命令行工具和VS Code扩展，用于管理机器学习项目的数据和模型版本控制。数据存储在云端，版本信息保存在Git仓库，通过轻量级管道实现快速迭代。DVC还支持本地实验跟踪和对比，允许在无服务器的情况下分享和重现实验结果。

该指南全面涵盖深度学习领域的求职面试知识，包括数学、机器学习、深度学习、强化学习、计算机视觉、图像处理、自然语言处理、SLAM、推荐算法、数据结构与算法、编程语言（C/C++/Python）、深度学习框架等，旨在帮助求职者高效准备面试。

Augmentor是一个Python图像增强库，适用于机器学习，特别是神经网络和深度学习。它支持平台无关的图像增强，允许用户通过构建增强管道实现精细控制，采用随机方法进行操作。主要功能包括多线程加速、多掩码处理、与Keras和PyTorch集成，以及弹性扭曲、透视变换、尺寸保持旋转和剪切、随机擦除等多种增强技术。

Smile是一个高效且全面的机器学习系统，支持Java和Scala，包含自然语言处理、线性代数、图形、插值和可视化功能。其先进的数据结构和算法提供卓越性能，涵盖分类、回归、聚类、关联规则挖掘、特征选择、多维缩放、遗传算法、缺失值插补和高效近邻搜索等领域。用户可以通过Maven中央库使用，并在Smile网站找到编程指南和详细信息。

《Python Machine Learning》第三版全面覆盖了数据预处理、分类、回归、深度学习和强化学习等机器学习领域的核心概念。书中提供了Scikit-Learn和TensorFlow的代码示例，帮助读者掌握模型评估、超参数优化和集成学习等技术。本书适合初学者和进阶用户，通过代码仓库可以获得丰富的实践经验。出版信息：Packt Publishing, 2019年12月12日，ISBN-13: 978-1789955750。

本书包含数百个AI面试问题的详细解答，涵盖信息理论、贝叶斯统计和算法微分等核心主题。特别为数据科学研究生和求职者设计，帮助在面试中脱颖而出。无论是初学者还是有经验的研究人员，都能从中获益。书中配有清晰图表和逐步解析，助读者全面掌握深度学习理论和实践。

VoTT是一个基于React和Redux的开源图像和视频标注工具，支持从本地或云存储导入数据，并将标注数据导出到不同的存储提供商。作为机器学习工作流中的工具，VoTT提供图像和视频帧的标签功能，采用现代开发框架TypeScript编写，并进行代码检查和单元测试。支持Azure Blob Storage、Bing Image Search等多种数据源，用户可通过浏览器使用Web版本。