文末免费送电子书：七月在线干货组最新 升级的《2021最新大厂AI面试题》免费送！

项目一： vectorai 一个用于构建基于向量的应用程序的平

Vector AI是一个框架，旨在使构建基于生产级矢量的应用程序的过程尽可能快速，轻松地进行。与json文档一起创建，存储，操纵，搜索和分析向量，以增强神经搜索，语义搜索，个性化推荐建议等应用程序。

主要特点：

  • 多媒体数据向量化：Image2Vec，Audio2Vec等（任何数据都可以通过机器学习转换为矢量）

  • 面向文档的存储：将向量与文档一起存储，而无需对向量的元数据进行数据库查找。

  • 向量相似度搜索：可以使用向量相似度搜索来搜索向量和丰富的多媒体。许多流行的AI用例的骨干，如反向图像搜索，推荐，个性化等。

  • 混合搜索：在某些情况下，向量搜索不如传统搜索有效。Vector

    AI可让您将向量搜索与传统搜索的所有功能（例如过滤，模糊搜索，关键字匹配）结合起来，以创建功能更强大的搜索。

  • 多模型加权搜索：我们的向量搜索可高度自定义，可以对来自多个模型的多个向量执行搜索，并赋予它们不同的权重。

  • 向量操作：灵活的搜索功能，可对向量进行开箱即用的操作。例如均值，中位数，总和等。

  • 汇总：期望的所有传统汇总。例如按均值分组，数据透视表等

  • 聚类：通过将向量和数据分配到存储桶中来解释它们，并根据提供的数据获取有关这些不同存储桶的统计信息。

  • 向量分析：通过使用开箱即用的实用向量分析，可以更好地了解向量，从而更好地了解向量的质量。

Vector AI与其他最近邻实现方案进行比较：

  • 随时可投入生产：API已得到全面管理，并且可以扩展为每天支持数亿次搜索。即使进行了数百万次搜索，它也通过边缘缓存，GPU利用率和软件优化而迅速发展，因此无需担心随着用例的扩展而扩展基础架构。
  • 易于使用。快速入门：核心设计原则之一是专注于人们如何尽快开始使用Vector AI，同时确保仍然有大量功能和可定制性选项。
  • 对向量及其特性的更深入的了解：旨在让人们做更多的事情，在将数据添加到索引后立即对其进行实际的实验，分析，解释和改进。
  • 轻松存储矢量数据：Vector AI的面向文档的特性使用户可以标记，过滤搜索并尽可能地了解其矢量。
  • 实时访问数据：可以实时访问Vector AI数据，一旦插入数据就可以立即进行搜索。无需等待数小时即可建立索引。
  • 不可知的框架：我们绝不会在Vector AI上强制使用特定的框架。如果您有选择的框架，则可以使用它-只要您的文档可以JSON序列化！

项目地址：

https://github.com/vector-ai/vectorai

项目二：YOLOv4-pytorch YOLOv4的Pytorch存储库

这是YOLOv4架构的PyTorch重新实现，它基于官方的Darknet实现AlexeyAB / darknet与PASCAL VOC，COCO和客户数据集。

  • SEnet（CVPR 2017）

  • CBAM（CVPR 2018）

实现结果：

实现环境：

  • Nvida GeForce RTX 2080TI
  • CUDA10.0
  • CUDNN7.0
  • windows or linux
  • python 3.6

项目地址：

[https://github.com/argusswift/YOLOv4-pytorch](https://www.6a