摘要: 在前几天, 我们列举出了一百个是关于深度学习的源代码项目, 不过, 这些项目之中的大部分, 目前都不怎么活跃了, 所以呢, 我们在这里特别挑出来了一十八个最为活跃的此类项目, 并为每一个项目都制作了一张专门的信息卡片, 这样一来, 就可以让人感到一目了然了, 这就比较方便了, 无论是进行比较还是进行转贴, 都是可以的。

在前几天, 我们曾经列举过 100 个涉及深度学习的源代码项目, 不过在这些项目中, 大多数都已经不再活跃了。针对这一情况, 我们今天从中精心挑选出了 18 个最活跃的深度学习项目。

对于每一个被选中的项目, 我们都专门制作了一张信息卡片, 这样的展示方式能够让信息的细节一目了然, 从而方便大家进行比较操作以及进行转贴转发。

所有18个项目的列表见 +

（原完整项目列表见 ）

18） 用户@丕子发布的内容是一个由C++实现的成功示例代码, 此项目当前累计获得了二十颗星星。其源代码部分的难度较低, 整体结构较为清晰, 非常适合大家用来作为入门阶段的学习材料进行参考与练习。

17） n42, 这是一个由 21 个星组成的实现, 可以直接使用 npm n42 来进行安装。它实现了 4 种算法, 分别是第一个空着的算法, 第二个空着的算法, 第三个空着的算法, 还有 Deep Nets。

这份代码的长度并不长, 因此十分适合用于学习。虽然它在处理计算密集型任务方面并不具备优势, 但作为教学的案例来看, 它的价值还是非常高的, 特别是在需要在浏览器中进行深度学习的可视化操作时, 这一点体现得尤为明显（也参见之后的相关内容）。

16）根据宗师提交的代码来看, 其等级标注为23星, 这一点属实。该方案已经把RBM实现完成了。这个应用的方向是集中在图像领域方面。因为是宗师的作品, 所以其重要程度是不需要再多做过多解释的。

15）  这是另一门由斯坦福大学推出的关于深度学习领域的公开课程的习题解答部分, 该内容获得了二十四颗星的评分, 参与编写的人员包括 Maas 以及另一位作者, 使用的编程语言类型在原文中未明确指定, 总体评价认为这一资源同样非常适合刚刚接触该领域的新手开始进行学习。

14）ks的29星结果, 对包括numpy和在内的其他几项实现进行了性能方面的比较工作。不过需要提醒大家的是, 相关列表的内容存在一定程度的滞后情况, 其收录范围仅包含2011年之前版本的相关数据信息, 并未将更新后的项目补充进去。

13）这个项目同样属于UFLDF课程的实现之一, 它获得了31颗星, 所使用的编程语言是与NumPy。

12） 在对于Deep这一方面的研究中, medal= 提供了由三十七个星所象征的高标准示范库, 同时在这个架构内也完成了对RBM、DBN以及CRNM这些当下具有代表性的主流模型的实现工作。

11）- 这个作品是由名叫Zając的作者搞出来的, 它拥有53颗星星的评级, 这是2013年无监督学习竞赛里面的一个项目实现代码, 该作品里面实现了随机森林算法以及稀疏滤波算法这种技术原理, 虽然写的编程语言是, 但是也可以运行代码来跑通整个程序逻辑, 如果想要看详细的文档资料和具体使用说明的话, 可以去参见提供的链接内容。

10） 这是一个采用C语言进行编写的实现方案, 目前已经获得了54星的评级。在Linux操作系统上,它还能够被安装到系统库里面, 这样一来, 开发者就可以在另外一些项目当中直接进行调用了。如果你特别地追求性能表现的话, 那么这无疑是一个不错的选择。

9）  这是一个非常全新的实现方案, 它是基于 Spark 构建的。所使用的编程语言为 Java。在该实现中, 除了使用 Spark 之外, 还引入了机器学习包以及时 JBlas 这一线性代数包。如果希望了解更多关于 Spark 的内容, 请参见大数据精华区的相关专题介绍。

8） UFLDL是一个由作者Dan Luu贡献的项目, 在代码托管平台上获得了94个星标。这个资源包含了斯坦福大学深度学习公开课程以及Ng所编写的UFLDL（无监督特征学习与深度学习）教程中所有练习的最终解答答案。

其中的代码文件声称具备高度的兼容性, 这使得用户在理论上甚至能够直接调用这些代码程序来解决问题。对于刚刚接触该领域的人来说, 这套资源非常适合作为入门阶段的参考资料。

顺便值得注意的是, 前文提及的UFLDL教程曾经被一位叫邓侃的人士组织并翻译成中文版本, 因此它也被认为是初学者必须要阅读的重要资料之一。

7） rbm-mnist这是一个用C++对原有代码进行的改写, 它总共获得了189颗星, 该项目还成功实现了共轭梯度算法。

6） 和深度学习相关的源代码, 由243位星标用户所认可, 这些代码是和深这一作者的书籍的配套资源。这本书是免费的, 但还没有写完, 可以预览前几章。

5) 这里面讲的是GPU实现的深度学习算法, 包括前向网络, 还有RBM、DBN和DBM这些内容, 当然也涵盖了CNN模型。底层使用的是CUDA技术。评分达到了282星。实现的语言做到了简洁性与计算性能的良好结合, 特别建议推荐给大家使用。

4) Lisa Lab上的教程和源代码, 它们所实现的技术, 是基于特定的框架或方法的。目前该项目在平台上已经获得了50多颗星的评价, 可以说是非常火爆的。而且, 在他们的官方wiki页面上, 还提供着十分丰富的资源列表, 这些资源涵盖了相关的学术论文以及常用的数据集。

3) 关于巢笼悠辅的深度学习实现代码, 这是当时非常热门的一个类库项目, 目前它的点赞收藏数量已经接近600颗星了。它在算法和实现语言的覆盖面上做到了全方位一网打尽。它是学习深度学习代码时必须阅读的资料之一。

它提供了五种语言的实现, 具体包括C或C plus, 加Java, 加Scala这些语言。它还囊括了各种主流的深度学习算法, 比如DBN, 也就是深度的信念网络, 还有CDBN, CRBM, dA, SdA, LR等等。

2) 在这个实现里面, 最热门的那个库, 星的数量达到700多个, 涵盖了像CNN这些模型, 也囊括了DBN、SAE以及CAE等主流模型。它的用起来非常简单好用。如果要拿来做深度学习快速实验的话, 这个库可能是最好的选择。

1)  这个是目前最火的项目, 有1300个以上的明星标识, 实现了卷积神经网络技术, 可以被用在分类任务、回归任务以及强化学习等领域之中, 是可以直接被npm命令操作的, 而且上面存在很多非常酷的可视化演示内容。