TensorFlow Similarity 是一个用于相似性学习的 TensorFLow 库，也被称为度量学习和对比性学习。目前仍处于测试阶段。Tensorflow Similarity 提供了先进的度量学习算法和所有必要的组件来研究、训练、评估和服务基于相似性的模型。通过 TensorFlow 的相似性，你可以训练并提供模型，在大量的例子语料库中找到类似的项目（如图像）。例如，如上图所示，你可以训练一个相似性模型，从 Oxford IIIT 宠物数据集中寻找和聚类看起来相似的猫和狗的图像，只需在几个类上进行训练。要训 练你自己的相似性模型，可参阅此 notebook。
度量学习不同于传统分类，因为它的目标不同。该模型学习以监督或自我监督的方式最小化相似示例之间的距离并最大化不同示例之间的距离。无论哪种方式，TensorFlow Similarity 都提供了必要的损失、指标、采样器、可视化器和索引子系统，以使其快速简便。目前，TensorFlow Similarity 支持监督训练。在未来的版本中，它将支持半监督和自监督训练。
PySlowfast 是 FAIR 开源的基于 PyTorch 的视频理解代码库，让研究者可以轻而易举地复现从基础至前沿的视频识别 (Video Classification) 和行为检测 (Action Detection) 算法。PySlowFast 代码库同时开源了大量预训练模型，让研究者省去了反复训练模型的烦恼，可以直接使用 FAIR（Facebook AI Research，Facebook 人工智能实验室）预训练的前沿模型。
waifu2x 通过使用卷积神经网络对动漫风格的图片进行放大操作（支持照片）。一般图片在放大后可能会出现边界锯齿、线条模糊等问题，而 waifu2x 的算法对这种情况提供了非常好的图片拉伸、降噪、填补机制，使得放大前后的图片给人观感基本一致。
FinRL 是一个面向研究人员和从业者的开源深度强化学习 (DRL) 框架。
使命：有效地实现交易自动化。
愿景：在过去的十年中，人工智能社区已经积累了一个开源的代码海洋。将这些知识和工程特性应用于金融，将启动一个范式的转变，从传统的交易常规到自动化的机器学习方法，甚至是金融业的 RLOps。
FinRL（网站）是第一个探索深度强化学习在金融领域巨大潜力的开源项目，旨在帮助从业者使用深度强化学习（DRL）来制定交易策略。
FinRL 生态系统是一个统一的框架，包括各种市场、最先进的算法、金融任务（投资组合管理、加密货币交易、高频交易）、实时交易等。
FinRL 具有三层：应用程序、drl 代理和市场环境。
对于交易任务（顶部），代理（中间）与环境（底部）交互，做出顺序决策。
FinRL 是第一个展示在量化金融中应用 DRL 算法的巨大潜力的开源框架。我们围绕 FinRL 框架构建了一个生态系统，为快速发展的 AI4Finance 社区提供了种子。
应用层为用户提供接口来定制 FinRL 到他们自己的交易任务。提供自动回测工具和性能指标，以帮助量化交易者以高周转率迭代交易策略。有利可图的交易策略是可重复的，并且以对初学者友好的方式提供了动手教程。也可以根据快速变化的市场调整训练好的模型。
代理层提供了最先进的 DRL 算法，这些算法适用于通过微调的超参数进行融资。用户可以添加新的 DRL 算法。
环境层不仅包括历史数据 API 的集合，还包括实时交易 API。它们被重新配置为标准的 OpenAI 健身房风格环境。此外，它结合了市场摩擦，并允许用户自定义交易时间粒度。
Kubric 是一个数据生成管道，用于创建具有丰富注释的半现实合成多对象视频，例如实例分割掩码、深度图和光流。我们需要更好的数据来训练和评估机器学习系统，尤其是在无监督多对象视频理解的背景下。当前系统在玩具数据集上成功，但在现实世界数据上失败。如果我们能够根据需要创建具有不同复杂性的合适数据集，则进展可能会大大加快。Kubric 主要建立在 pybullet（用于物理模拟）和 Blender（用于渲染）之上；但是，代码保持模块化以可能支持不同的渲染后端。
Requirements用于方便地生成视频数据的管道。物理模拟，用于自动生成多个对象之间的物理交互。很好地控制生成数据的复杂性，以便我们可以评估各个方面，例如对象和纹理的可变性。现实主义：理想情况下，能够跨越从 CLEVR 到 YouTube8 等真实视频的整个复杂范围。这显然是不可行的，但我们希望尽可能接近。访问有关场景中对象的丰富地面实况信息以进行评估（例如对象分割和属性）控制训练/测试拆分以评估组合性和系统泛化（例如在特征或对象的保留组合上）
UMS (user manage scaffolding) 是一款易上手，非侵入式，并且与业务高度解耦、可自定义的一款用户管理脚手架。用户管理脚手架集成：用户账号密码登录、手机登录、支持所有 JustAuth 支持的第三方授权登录、支持在线验证码、基于 RBAC 的 uri 网络访问权限控制功能、还有在线签到等功能。 通过配置文件与实现用户服务，短信发送等服务，来获取角色权限服务三个API 接口就可以实现上述功能，UMS 用户管理脚手架实现了快速开发，只需要开发者专注于业务逻辑。
Pixel Art to CSS 是一个基于 React 的在线像素绘画编辑器，简单好用，功能齐全。你可以绘制像素版的图片或者 GIF 动图，绘制完毕后可以一键获取对应的 CSS 代码。使用以下技术构建：React：用于构建 UI 的库。Redux：实现类似 Flux 的架构。ImmutableJS：有助于保持数据不变。PostCSS： 处理应用程序的CSS。NodeJS + Express：（服务器端构建通用应用程序，创建和服务生成的图纸）。
Partytown 是一个大小仅 6kb 库，用于帮助将资源密集型脚本转移到 web worker 中，并脱离主线程。它的目标是通过将主线程专用于你的代码，并将第三方脚本卸载到 web worker，来帮助加快网站的速度。Partytown 的一些目标包括：释放主线程资源以仅用于主 Web 应用程序执行。沙盒第三方脚本并允许或拒绝其访问主线程 API。在 Web 工作线程中隔离长时间运行的任务。减少来自第三方脚本的布局抖动。限制第三方脚本对主线程的访问。允许第三方脚本完全按照编码方式运行，无需任何更改。从 Web Worker 中同步读取和写入主线程 DOM 操作，允许从 Web Worker 运行的脚本按预期执行。不需要构建步骤或捆绑，而是以与更新传统第三方脚本相同的方式更新脚本。Partytown 的理念是主线程应该专用于你的代码，任何不需要在关键路径中的脚本都应该移动到 web worker。
TensorFlow on YARN (TonY) 是一个构建在 Hadoop YARN 上的 TensorFlow 框架。TonY 可以将单节点或分布式 TensorFlow 训练作为 Hadoop 应用程序运行。此原生连接器与其他 TonY 功能一起，旨在可靠，灵活地运行 TensorFlow 训练。在 YARN 的 TonY 上运行 TensorFlow。TonY 主要包含三个要素：Client、ApplicationMaster 和 TaskExecutor。运行 TonY 作业的端到端处理过程先将用户向 Client 提交 TensorFlow 模型训练代码、参数及其 Python 虚拟环境（包含 TensorFlow 依赖）。Client 设置 ApplicationMaster（AM）并将其提交给 YARN 集群。AM 与 YARN 基于用户资源请求的资源管理（Resource Manager）进行资源协商（参数服务器及线程、内存和 GPU 的数量）。一旦 AM 收到分配，它就会在分配的节点上生成 TaskExecutor。TaskExecutor 启动用户的训练代码并等待其完成。用户的训练代码启动，TonY 定期在 TaskExecutor 和 AM 之间跳动，以检查其活性。
ROOT 是一个模块化的科学软件工具包，它是一个数据处理框架，提供了大数据处理、统计分析、可视化和存储所需的所有功能，主要使用 C++ 编写而成，同时可集成 Python 和 R 等其它语言。ROOT 诞生于欧洲核子研究中心，这是全球高能物理研究的中心。每天有成千上万的物理学家使用 ROOT 分析他们的数据或进行模拟。
