让我们一起来看下近期热门的机器学习Github仓库，包括了自然语言处理（NLP）、计算机视觉（CV）与大数据等多个领域。
7月Top机器学习Github项目
No.1 Pytorch-Transformers(NLP)
PyTorch-Transformers是最新的一系列最先进的NLP库。它打败了之前各种NLP任务的基准。我真正喜欢pytorch-transformers的是它包含PyTorch实现，预训练模型权重和其他重要组件，可以帮助你快速入门。
你可能会觉得运行复杂的模型需要巨大的计算能力。但是PyTorch-Transformers没有这个问题，使大多数人都可以建立最优秀的NLP模型。
No.2 NeuralClassifer(NLP)
文本数据的多标签分类是一个相当大的挑战。当我们处理早期的NLP问题时，我们通常会处理单一标签任务。该级别在实际数据上增加了几个级别。
在多标签分类问题中，实例或记录可以具有多个标签，并且每个实例的标签数量不固定。
NeuralClassifier使我们能够快速实现分层多标签分类任务的神经模型。NeuralClassifier提供了我们熟悉的各种文本编码器，如FastText，RCNN，Transformer编码器等。
我们可以使用NeuralClassifier执行以下分类任务：
- 二进制文本分类
- 多级文本分类
- 多标签文本分类
- 分层（多标签）文本分类
No.3 TDEngine（大数据）
TDEngine在上个月的星星数超过了GitHub上所有其他的新项目。在不到一个月的时间内收到了将近10000颗星。
TDEngine是一个用于下列领域的开源大数据平台：
- 物联网（IoT）
- 联网汽车
- 工业物联网
- IT基础设施等等。
TDEngine提供了与数据工程相关的一整套任务。我们可以以超快的速度完成所有这些工作（处理查询速度提高10倍，计算使用率为1/5）。
有一点目前需要注意，TDEngine仅支持在Linux上执行。这个GitHub存储库包含了完整的文档和带有代码的入门指南。
No.4 视频对象删除（CV）
您是否操作过图像数据？用于操作和处理图像的计算机视觉技术非常先进，其中图像物体检测被认为是成为计算机视觉专家的基本步骤。
但是操作视频会怎么样？当我们需要在视频中的对象周围绘制边界框时，难度会提高几个级别。对象的动态特征使整个概念更加复杂。
所以，当我看到这个GitHub存储库时非常高兴。我们只需在视频中的对象周围绘制一个边界框即可将它删除。 真的非常容易！下面是该项目的一个例子：
No.5 Python自动补全（编程）
你会喜欢上这个机器学习项目。作为数据科学家，我们的工作大多数就是围绕着算法做实验。这是一个可以自动完成简单的LSTM模型的Python代码的项目。
下面灰色突出显示的代码是LSTM模型填写的内容（结果位于图像的底部）：
正如开发人员所说：
我们在python代码中删除注释、字符串和空行后进行训练和预测。在对python代码进行标记化之后训练模型。它似乎比使用字节对编码的字符级预测更有效。
如果你曾经花费或浪费时间写了很差的Python代码，那么你可能需要它。它现在处于在非常早期的阶段，所以还存在一些问题。
No.6 tfpyth – TensorFlow to PyTorch to TensorFlow(编程)
TensorFlow和PyTorch都拥有强大的用户社区。但令人难以置信的是PyTorch的使用率可能会在未来一两年内超越TensorFlow。这不是打击TensorFlow，而是相当可靠的。
因此，如果你使用TensorFlow编写了一部分代码并用PyTorch中编写了另一部分代码，并希望将两者结合起来训练模型，那么tfpyth框架非常适合你。tfpyth最好的地方是不需要重写之前的代码。
这个GitHub存储库包含了一个结构良好的示例，说明了如何使用tfpyth。这绝对是TensorFlow与PyTorch之间的一种新的看法，不是吗？
安装tfpyth：
pip install tfpyth
No.7 MedicalNet
这个GitHub存储库包含了“Med3D: Transfer Learning for 3D Medical Image Analysis”论文的PyTorch实现。该机器学习项目将医学数据集与不同的模态，目标器官和病理进行聚合，以构建相对较大的数据集。
众所周知，深度学习模型通常需要大量的训练数据。因此，TenCent发布的MedicalNet是一个出色的开源项目，我希望很多人能够继续在它上面工作。MedicalNet的开发人员已经发布了基于23个数据集的四个预训练模型。