GitHub 上有哪些有趣的关于 NLP 或者 DL 的项目？

肖冰松

要有趣，有趣，有趣！

88xywaaa

karpathy/char-rnn · GitHub ：一个基于RNN的文本生成器。可以自动生成莎士比亚的剧本或者shell代码。
phunterlau/wangfeng-rnn · GitHub ： 基于char-rnn的汪峰歌词生成器
google/deepdream · GitHub ：画出神经网络眼中的世界
facebook/MemNN · GitHub ：memnn的一个官方实现。可以回答诸如“小明在操场；小王在办公室；小明捡起了足球；小王走进了厨房。问：小王在去厨房前在哪里？”，这样涉及推理和理解的问题。
skaae/lasagne-draw · GitHub ：用RNN生成手写数字。
keras/addition_rnn.py at master · fchollet/keras · GitHub ：用RNN自动学会加法规则。
karpathy/neuraltalk · GitHub ：自动根据图像生成文本描述。
一下子就想到这些。另外推荐一个网站，
http://gitxiv.com/  很多arXiv上面知名论文可以在这个网站找到github的项目链接。

哭泣的天使LA

再补充几个:)


1. 项目：“小诗姬” https://github.com/norybaby/poet
全唐诗作为训练数据。可以写押韵自由诗、藏头诗、给定若干字作为主题的诗。运行环境要求 python3.x, tensorflow1.x


2. 项目：全唐诗分析程序 https://github.com/MrQianJinSi/poetry_analyzer  这个程序最初的诞生是为了写微信公众号的两篇文章，那两篇文章的也大致讲解了程序的原理和流程。 因此，在使用程序之前，强烈建议先读这两篇文章：当我们在读唐诗时，我们在读什么？ 计算机告诉你，唐朝诗人之间的关系到底是什么样的？ 相应的，程序也主要有两个方面的功能： 分析词频和词向量，对应第一篇文章；构建诗人之间的引用关系，对应第二篇文章。


3. https://github.com/S-H-Y-GitHub/QA 基于LSTM的中文问答系统. 项目通过建立双向长短期记忆网络模型，实现了在多个句子中找到给定问题的答案所在的句子这一功能。在使用了互联网第三方资源的前提下，用training.data中的数据训练得到的模型对develop.data进行验证，MRR可达0.75以上。


Kaggle上也有一些比较有意思的机器学习竞赛项目，比如基于给定的样本数据对泰坦尼克号上人员的生还情况进行预测。

。。。。！

从电影里抹掉一个人，入选CVPR 2019的研究，来自商汤&港中大联合实验室，开源了。
美队3的机场大战，蜘蛛侠用蛛丝缠住了巨大化的蚁人。

把蜘蛛侠抹掉，蚁人还是被蛛丝缠住，就是鬼故事了：

刚刚考进动物城警察局的朱迪，十分菜鸡：

无地自容，便把自己融进了雪水。看不出曾经有只兔子存在过：

背后的AI，是名叫光流引导 (Flow-Guided) 的视频修复算法。它主要来自商汤港中大联合实验室和商汤南洋理工联合实验室，有周博磊大神参与，中选了CVPR 2019。代码开源了。
那么，在一片热闹的景象里，抹掉一个剧烈运动的人物，怎么会这般轻松自如？
追光者

就像开头提到的那样，隐身术是用光流 (Optical Flow) 炼成的。
所谓光流，视觉上长这样：

事实上，它是描述物体运动情况的一个概念，James Gibson在1950年就提出了：
指的是空间运动的物体在观察平面上，像素运动的瞬时速度。观察者嘛，可以是人类的肉眼，也可以是摄像机。
在摄像机拍下的视频里，帧与帧之间是有时间顺序的，这样就可以从相邻两帧之间算出光流，那就是物体的运动信息。
学到这样的信息，可以用来做目标检测，也可以用来修改视频。
团队开发了一个两步算法：
第一步，估计光流。第二步，用光流来指导修复。

现在，把这两步拆解一下。
第一步，光流估计，把视频上的某个部分挡住，AI要把这一部分的光流补充完整。
比如，下图的红色就是遮挡部分。

团队设计了一个叫做DFC-Net的网络，学着把不完整的光流补充完整。
而在AI的训练数据里，遮挡是随机生成的，对照完整的视频来学习：

左边是随机遮挡；右边是遮挡之后 (用简单填充算法初始化得到) 的光流，等待补全；中间是标答。

DFC-Net有三个子网络。第一个子网络，负责在一个粗糙尺度上补全光流；把结果交给第二个子网络，细化一下。再交给第三个网络，进一步细化：

这样，就有了最终的光流补全结果。
第二步，就该根据光流来修复视频了。
原理是，某一帧里被遮挡的信息，在其他帧里可能是存在的。根据光流提供的运动信息，就可以用其他帧里的已知像素，来填补当前帧的未知像素了。
当然，还有一些信息，整段视频都没显示。这一部分，就要靠传统图像修复网络Deepfill来脑补了。
讲完原理，来全方位观察一下，算法的功效究竟如何。
完美消失的马术选手

新的方法怎样，要和优秀的前辈比一场才知道。
对手有两位，一是来自CVPR 2018的Deepfill，二是Huang et al出品、中选SIGGRAPH 2016的算法。
这是第一题，把马术选手和ta的马，从视频里面抹掉：

Deepfill (右上) 单靠脑补，马的痕迹十分明显；Huang et al (左下) 自然了许多，但依然有些灰蒙蒙的残留；相比之下，新算法修过的视频，只留下了地上的影子。
还有第二题，把轮滑妹子面前的水印去掉：

下面是Huang et al前辈的结果，当妹子跳过水印原本的位置，依然看得出不少灰色的污迹：

而本文主角修复的结果，几乎看不出视频曾经有过水印：

不止是肉眼观察的结果，这只新的AI在YouTube-VOS和DAVIS两大数据集上，得分都比前辈更胜一筹：

另外，研究者们还找了30名吃瓜群众，仔细测试人类的观感。
首先在目标移除方面，将近80%的用户认为第一名应当是这项研究 (蓝色部分) 。

而在背景填充方面，也有近七成用户认为这项研究的填充效果是最好的。

论文在此：
Deep Flow-Guided Video Inpainting
Rui Xu, Xiaoxiao Li, Bolei Zhou, Chen Change Loy
https://arxiv.org/abs/1905.02884
项目主页：
https://nbei.github.io/video-inpainting.html
开源代码：
https://github.com/nbei/Deep-Flow-Guided-Video-Inpainting

— 完 —
量子位 · QbitAI
վ'ᴗ' ի 追踪AI技术和产品新动态

欢迎大家关注我们，以及订阅我们的知乎专栏

阿狸不卖萌

这个问题挺久了，下面算是比较新的吧，再补充几个：
1.马里奥赛车的自动驾驶,主要是有界面，看上去挺好玩的，tensorflow实现，看看什么时候做个飞车自动驾驶外挂哈哈~~kevinhughes27/TensorKart
self-driving MarioKart with TensorFlow,Driving a new (untrained) section of the Royal Raceway:

Driving Luigi Raceway:

2.一个基于 CNN 模型人脸打分项目，抓紧看看自己颜值有多少：fendouai/FaceRank

3.自己动手做一个基础深度学习的chatbot，在readme那里看到作者好像有做页面显示，感觉还不错。Conchylicultor/DeepQA
4.给素描黑白画，自动上色。这个虽然多次推荐，但还是很有趣的，可以自己实现：pfnet/PaintsChainer

Paints Chainer is a line drawing colorizer using chainer. Using CNN, you can colorize your sketch semi-automatically .

5. Ryan Zotti基于Raspberry Pi, OpenCV, TensorFlow实现了一个mini版的自动驾驶小车：RyanZotti/Self-Driving-Car：

6. 谷歌官方在 Github 开放的一份神经机器翻译教程，该教程从基本概念实现开始，首先搭建了一个简单的NMT模型，随后更进一步引进注意力机制和多层 LSTM 加强系统的性能，最后谷歌根据 GNMT 提供了更进一步改进的技巧和细节，这些技巧能令该NMT系统达到极其高的精度。算是nlp比较有趣的项目吧，也可以跟着去学习：https://github.com/tensorflow/nmt
7. 利用深度神经网络看一段话就生成一张图片，---论文：StackGAN，github：hanzhanggit/StackGAN

发现好多好玩的都是CV有关的，作为一个NLPer【捂脸.jpg】，点个赞，感兴趣的可以关注一波专栏和公众号：AI遇见机器学习，Thanks♪(･ω･)ﾉ

地狱丶魔音

1.   Deepdream
项目地址：google/deepdream
Deep Dream是一款图像识别工具。一个原本用来将图片分类的AI，让我们看到不一样的世界~在把一张图片喂入之后，选择某一层神经网路（Google 的神经网路有 10-30 层）进行重复处理的次数和变形的程度，就能获得一张非常后现代的「画作」。
2.   RocAlphaGo
项目地址：Rochester-NRT/RocAlphaGo
重新实现了
DeepMind在2016 Nature发表的内容， 《用深度神经网络和树搜索学习围棋》
3.     Neural Doodle
项目地址：alexjc/neural-doodle
运用深度神经网络将涂鸦变为优雅的艺术品，从照片生成无缝纹理，转变图片风格，进行基于实例的提升，等等…还有更多！（语义风格传递的实现）。
4.     Magenta
项目地址：tensorflow/magenta
Magenta: 音乐和艺术的生成与机器智能。
Google Brain团队的一组研究人员发布了一个项目Project Magenta，其主要目标是利用机器学习创作艺术和谱写曲子。Project Magenta使用了 TensorFlow系统。研究人员称，机器生成的音乐已经存在了许多年，但它们在都缺乏长的叙事艺术。Project Magenta就试图将故事作为机器生成音乐的重要部分。Google公布了一个DEMO（MP3）表现Magenta项目的成果。
5.     Colornet
项目地址：pavelgonchar/colornet
用神经网络模型给灰度图上色。
6.     Neural Talk 2
项目地址：karpathy/neuraltalk2
Torch开发的图像简介生成代码，运行在GPU上。
7.     Deep Learning Flappy
Bird
项目地址：yenchenlin/DeepLearningFlappyBird
使用深度强化学习破解Flappy
Bird游戏（深度 Q-学习）。
8.     Neural Story Teller
项目地址：ryankiros/neural-storyteller
看图讲故事的递归神经网络模型。
9.     RNN Music Composition
项目地址：hexahedria/biaxial-rnn-music-composition
一款生成古典音乐的递归神经网络工具。
10.  ABS: Abstractive
Summarization 摘要总结
项目地址：harvardnlp/NAMAS
该项目包含了来自论文A Neural Attention Model for Abstractive
Summarization（Alexander M. Rush, Sumit Chopra, Jason
Weston.）的摘要抽象总结系统。该项目里发布的代码可以：提取摘要数据、训练摘要神经网络模型、用ROUGE构建评估集、调试提取的特征。
11.  Neural Coreference Resolution （神经指代消解）
项目地址：swiseman/nn_coref
使用神经网络实现指代消解的项目
12.  LSTM Character-Aware Language Model
项目地址：yoonkim/lstm-char-cnn
代码实现了 AAAI
2016 论文《Character-Aware Neural Language Models》。这是一个仅建立在字符输入上的一个神经语言模型（NLM）。


本回答来自竹间智能 自然语言与深度学习小组。