深度学习背后的主要思想是人工智能应该从大脑中汲取灵感。 这种观点引申出了“神经网络”术语，大脑包含数十亿个神经元，它们之间有成千上万的连接；在许多情况下，深度学习算法类似于大脑，因为大脑和深度学习模型都涉及大量的神经网络。 单个的计算单元（神经元）并不智能，但是当它们彼此交互时会变得智能。
今天给大家推荐10个Gihub上的有趣且高星的开源项目，对于开发者来说，希望你能找到一个激发你灵感的有趣项目。
1、UGATIT：具有图像到图像转换的自适应层实例规范化的无监督生成网络。——Github：3346星
2、Dlrm：深度学习推荐模型（DLRM）的实现。——Github：1318星
3、实时语音克隆(Real-Time-Voice-Cloning)：在5秒内克隆语音以实时生成任意语音。——Github：4546星
4、RAdam：适应性学习率的方差及超越。——Github：1902星
5、TensorNetwork：一个用于轻松高效地处理Tensor网络的库。——Github：783星
6、威震天-LM（Megatron-LM）：正在进行的大规模培训变压器语言模型的研究，包括：BERT＆GPT-2。——Github：911星
7、Python_autocomplete：用于python自动完成的简单神经网络。——Github：621星
8、现实神经网络-对话-头部模型（Realistic-Neural-Talking-Head-Models）：现实神经网络的对话头部模型的少量对抗学习的实现。——Github：193星
9、TecoGAN：TecoGAN项目的源代码和材料，即Temporally Coherent GAN的代码。——Github：971星
10、Buffalo：一个快速且可扩展的生产就绪型开源项目，用于推荐系统。——Github：222星
深度学习由人工神经网络组成，它们以人类大脑中存在的类似网络为模型。 当数据通过此人造网格传播时，每一层都会处理数据的一个方面，过滤异常值，发现熟悉的实体，并产生最终输出。
人工神经网络深度学习
输入层：该层由神经元组成，它们除了接收输入外什么都不做，然后将其传递给其他层。 输入层中的层数应等于数据集中的属性或要素。
输出层：输出层是预测功能，基本上取决于你要构建的模型的类型。
隐藏层：在输入层和输出层之间，将存在基于模型类型的隐藏层。隐藏层包含大量的神经元。 隐藏层中的神经元将变换应用于输入，然后再传递它们。 随着网络的训练，权重得到更新，从而更具预测性。
深度学习是在多个行业中广泛使用和实施的尖端技术。它也是计算机科学领域研究最多的领域之一。 有多种针对不同数据类型实现的神经网络架构，其中，卷积神经网络已在图像处理技术领域达到了最先进的性能。
很少有其他架构（例如递归神经网络）广泛用于文本/语音处理用例。这些神经网络在应用于大型数据集时需要通过配置图形处理单元来实现的强大计算能力和硬件加速。
如果你不熟悉GPU，可以通过 Kaggle Notebooks/ Google Collab Notebooks 在线找到免费的配置设置。 为了获得有效的模型，必须迭代需要大量实验和经验的网络体系结构。 因此，强烈建议进行大量编码实践。
化繁为简，简单3步，只需5分钟。
在人工智能愈发热门的大背景下，学习、体验新技术的需求也日渐增多。学以致用才能真正掌握一门技术。
钛灵AIX是一款集计算机视觉与智能语音交互两大核心功能为一体的人工智能“超级大脑”，搭载 Intel 专业级 AI 加速运算芯片与多种传感技术。它支持边缘深度学习，搭配 Model Play 人工智能模型共享平台，开发者可以轻松将 AI 模型移植到程序中开发应用。
1. 下载预训练并编译好的AI模型
2. 读取模型文件，将图像或音频文件送入模型中，即可获得AI模型的推理结果
3. 将模型的推理结果配合自己编写的python代码，即可以开发一个属于自己的AI小程序
来源：oschina
链接：https://my.oschina.net/u/4128630/blog/3137861