人工智能話題一直都是熱門話題。關于人工智能的項目，不知道大家了解得多不多呢？現在我為大家介紹10個十分實用且有趣的人工智能開源項目。
推薦理由：新一代的強大線稿上色 AI，可根據使用者上傳的自定義色彩給線稿進行上色。項目提供了線上使用網站，十分友善使用。
推薦理由：SerpentAI 旨在為機器學習和 AI 研究提供一個有價值的工具。但同時，對于愛好者來說，它也是非常有趣的。
Serpent.AI 中包含大量支援子產品，在以遊戲為開發環境時經常遇到的場景提供解決方案，同時也提供加速開發的 CLI 工具。支援 Linux、Windows 和 MacOS 。
SerpentAI 是一個 Game Agent 架構（ps：在人機對戰中，為了區分玩家，通常稱機器玩家為 agent ），簡單而又強大。它能把任何一個遊戲變成用 Python 編寫的沙盒環境，供開發者在其中創造遊戲 Game Agent 做實驗，使用的都是開發者非常熟悉的 Python 代碼。
推薦理由：Synaptic.js 是一個用于 node.js 和浏覽器的 JavaScript 神經網絡庫，可以建構和訓練基本上任何類型的一階甚至二階神經網絡。
該項目内置了 4 種經典的神經網絡算法：多層感覺器（multilayer perceptrons）、長短期記憶網絡（multilayer long-short term memory networks）、液體狀态機（Liquid State Machine）、Hopfield神經網絡。使用 Synaptic.js ，你可以輕松測試和比較不同體系結構的性能。
推薦理由：一個用 C/C++ 語言編寫的貪吃蛇遊戲的人工智能。使用了最短路徑、最長路徑、人工智能算法。
AI 的目的是讓蛇盡可能的吃更多的食物，直到吃滿整個地圖。
Demo
推薦理由：unCAPTCHA 算法以 85% 的成功率擊敗了 Google reCAPTCHA 系統。它依靠音頻驗證碼攻擊 - 使用浏覽器自動化軟體來解析必要的元素并識别語音号碼，并以程式設計方式傳遞這些數字，最終成功欺騙目标網站。
推薦理由：Sockeye 是一個基于 Apache MXNet 的快速而可擴充的深度學習庫。
Sockeye 代碼庫具有來自 MXNet 的獨特優勢。例如，通過符号式和指令式 MXNet API，Sockeye 結合了陳述式和指令式程式設計風格；它同樣可以在多塊 GPU 上并行訓練模型。
Sockeye 實作了 MXNet 上目前最佳的序列到序列模型。它同樣為所有序列到序列模型的超參數提供恰當的預設值。對于優化，無需擔心停止标準、名額跟蹤或者權重初始化。可以簡單地運作已提供的訓練指令行界面（CLI），也可以輕易改變基礎模型架構。
推薦理由：我們都知道 Python 或者是 C++ 提供了更多機器學習的庫，但他們大多都比較複雜，配置起來讓很多新手感到頭疼。PHP-ML 這個機器學習庫雖然沒有特别高大上的算法，但其具有最基本的機器學習、分類等算法，小項目或者小公司做一些簡單的資料分析、預測等等足以夠用。
PHP-ML 是使用 PHP 編寫的機器學習庫。同時包含算法，交叉驗證，神經網絡，預處理，特征提取等。
推薦理由：這個工具功能十分強大，不僅可将繪畫作品“還原”成照片（可了解為是一個 “反濾鏡”），還能将夏天轉換成冬天，或将普通的馬轉化成斑馬。
與其它人工智能繪畫不同，CycleGAN 的研究團隊試圖建立一個可雙向轉化不丢失資訊的雙向算法。在 CycleGAN 裡照片的細節被要求完全保留，研究人員希望能夠将一張圖檔輸入 CycleGAN 後進行多次反複轉化（照片→繪畫→照片→繪畫→照片），最終可以獲得與原始照片相同或相近的圖檔。
DeepLearn.js 是谷歌推出的一個可用于機器智能并加速 WebGL 的開源 JavaScript 庫，完全在浏覽器中運作，不需要安裝，不需要後端處理。。
DeepLearn.js 提供高效的機器學習構模組化塊，使我們能夠在浏覽器中訓練神經網絡或在推斷模式中運作預訓練模型。它提供建構可微資料流圖的 API，以及一系列可直接使用的數學函數。
雖然浏覽器上的機器學習庫已經存在多年（例如 Andrej Karpathy 的 convnetjs），但是它們受到 JavaScript 速度的限制，或者局限于推理而不能用于訓練（例如 TensorFire）。相比之下，deeplearn.js 通過利用 WebGL 在GPU上執行計算，以及進行完全反向傳播（full backpropagation）的能力，實作了顯着的加速。
推薦理由：TensorFire 是基于 WebGL 的，運作在浏覽器中的神經網絡架構。使用 TensorFire 編寫的應用能夠在實作前沿深度學習算法的同時，不需要任何的安裝或者配置就直接運作在現代浏覽器中。
與之前某些浏覽器内的神經網絡架構相比，TensorFire 有着近百倍的速度提升，甚至于能夠與那些運作在本地 CPU 上的代碼性能相媲美。
開發者也可以使用 TensorFire 提供的底層接口來進行其他的高性能計算，譬如 PageRank、元胞自動機仿真、圖檔轉化與過濾等等。