适用于强化学习的工具
Gym 是一个用于开发和比较强化学习算法的工具（ https://gym.openai.com/ ）。
它无需对 agent 的先验知识，并且采用 python 作为主要开发语言，因此可以简单的和 TensorFlow 等深度学习库进行开发集成，同时直观的将学习结果用画面直观的展示出来。Gym 库中包含许多可以用于制定强化学习算法的测试问题（ 即环境 ），这些环境有共享接口，允许编写通用的算法。
GitHub 地址：https://github.com/openai/gym
一款基于 Tensorflow 的框架，旨在为新手和经验丰富的强化学习研究人员提供兼具灵活性、稳定性和可重复性的新工具。
该框架的灵感来源于大脑中奖励-动机行为的主要成分「 多巴胺受体 」，这反映了神经科学与强化学习研究之间的强大的历史联系，是一个强化学习算法快速原型的研究框架。
GitHub 地址：https://github.com/google/dopamine
Facebook 推出的一个构建决策推理系统的模块化端到端平台，用于推理系统（ 强化学习、上下文管理等 ）, 可以显著简化推理模型构建过程。
ReAgent 由三部分组成：生成决策并接收决策反馈的模型、用于评估新模型部署前性能的模块及快速迭代的服务平台。同时，ReAgent 也是创建基于 AI 的推理系统的最全面、模块化开源平台，并且是第一个包含策略评估的平台，将会加速相关决策系统的部署。
这是一个面向科学家的深度学习和强化学习库。TensorLayer 由底层到上层可以分为三大模块：神经网络模块、工作流模块、应用模块。
与 Keras 和 Pytorch 相比，TensorLayer 提高了神经网络模块的抽象化设计，同时实现了降低使用现有层和开发新层的工作量。
适用于自然语言处理的工具
BERT 是一个基于双向 Transformer 的大规模预训练语言模型，用于对大量未标记的文本数据进行预训练，以学习一种语言表示形式，这种语言表示形式可用于对特定机器学习任务进行微调。
BERT 被称为是 NLP 领域中里程碑的进展；目前，BERT 也是 NLP 深度学习中的重要组成部分，很多之后的自然语言处理模型都是在此基础上优化与改进而得。
GitHub 地址：https://github.com/google-research/bert
Transformers 是神经机器翻译中使用的一种神经网络，它主要涉及将输入序列转换为输出序列的任务，这些任务包括语音识别和文本转换语音。
这类任务需要「 记忆 」，下一个句子必须与前一个句的上下文相关联（ 这是相当关键的 ），以免丢失重要的信息。通过将 attention 应用到正在使用的单词上，则可以解决当句子太长的时，RNN 或 CNN 无法跟踪上下文和内容的问题。
一个基于 PyTorch 的 NLP 研究库，利用深度学习来进行自然语言理解，通过处理低层次的细节、提供高质量的参考实现，能轻松快速地帮助研究员构建新的语言理解模型。
AllenNLP 能让设计和评估新的深度学习模型变得简单，几乎适用于任何 NLP 问题，通过利用一些基础组件，你可以轻松地在云端或是你自己的笔记本上跑模型。
GitHub 地址：https://github.com/allenai/allennlp
一款简单易用的 Python NLP 库，允许将当前最优自然语言处理（ NLP ）模型应用于文本，如命名实体识别（ NER ）、词性标注（ PoS ）、词义消歧和分类。
Flair 基于 Pytorch 的 NLP 框架，它的接口相对更简单，允许用户使用和结合不同的词嵌入和文档嵌入，包括 Flair 嵌入、BERT 嵌入和 ELMo 嵌入。
GitHub 地址：https://github.com/flairNLP/flair
这是一个具有工业强度级的 Python 自然语言处理工具包。
它已经成为 Python 中最广泛使用的工业级自然语言库之一，它提供了当前最佳的准确性和效率，并且有一个活跃的开源社区支持。
GitHub 地址：https://github.com/explosion/spaCy
FastText 是 Facebook 人工智能研究实验室（ FAIR ）开源的一个文本处理库，他是一个专门用于文本分类和外文本表示的库，用于高效文本分类和表示学习。
FastText 的核心是使用「 词袋 」的方式，不管文字的顺序；但它不是线性的，而是使用分层分类器来将时间复杂度降低到对数级别，并且在具有更高分类数量的大数据集上更高效。
相关文章
