盘点2019年度Python类库Top10(4)

如果你正在从事任何与机器学习相关的工作，那么你可能已经听说了在过去一年中围绕 自然语言处理(NLP) 方面的重要进展。
许多新的和高性能的模型，如 BERT、 XLNet 或者 roBERTa，已经被开发出来，通过各种 NLP 任务 (如文本分类、机器翻译、命名实体识别等) 来显著提高技术水平。
对于实践者来说，重要的是拥有能够使用这些模型来支撑生产应用程序的工具，这些用起来并不复杂。对于研究人员来说，重要的是拥有能够调整内部机制的类库，这样就可以更轻巧地开发和试验新的模型，而不必浪费太多时间编写样板代码。
Hugging Face 有一帮杰出的人，他们为我们带来了 transformers，它是一个类库，其中包括打包、预先训练，并已经为使用最现代的 NLP 模型的实现做好了准备。TensorFlow 2.0 和 PyTorch 之间的互操作性帮助该类库迅速成为行业标准，支撑着研究和生产应用程序。它们的发展速度也非常快，随着研究人员的开发，经常有新的模型引入到这个类库中。
蛋糕上的樱桃：Hugging Face 团队开发了 DistilBERT，它是一个体积更小、速度更快、价格更低、重量更轻的纯净版 BERT。
你还在犹豫要不要使用 Hugging Face / Transformer 以切换到现代的 NLP？那么择日不如撞日，今天就是你的幸运日，看看他们伟大的 在线演示，可不要吝惜你的大姆指哟。
9. Detectron2
Facebook 的人工智能研究团队 (FAIR) 一直在推动 计算机视觉 (CV) 的极限，他们开发了新的模型，用于像对象检测、姿式预估、语义 / 实例划分，以及最近的全景分割等任务。
解决这些问题的可能性就像几年前的科幻小说一样。我们对 FAIR 抱有最好的期望，这一次他们设法再次震撼全场。
Detectron2 是备受期待的 Detectron 续作，它是用 PyTorch 从头开始构建的，装满了最先进的计算机视觉算法。
这样的类库尤其难于进行工程设计，因为它们必须支持不同类型的用例。就像 Hugging Face 的 Transformers 一样，费尔团队也很好地完成了 Detectron2 的设计，它采用了一种非常灵活和模块化的方式，使得它非常适合 CV 的研究应用。同时，它的使用极其简单，对于那些只想快速获得结果而不想干预内部机制的人来说非常理想。是的，你可以使用 Detectron2，让你的软件只用几行 Python 代码就能“理解”图像。