人工智能（AI）已經(jīng)存在很長時間了。然而，由于這一領(lǐng)域的巨大進步，近年來它已成為一個流行語。人工智能曾經(jīng)被稱為一個完整的書呆子和天才的領(lǐng)域，但由于各種開發(fā)庫和框架的發(fā)展，它已經(jīng)成為一個友好的IT領(lǐng)域，并有很多人正走進它。

在這篇文章中，我們將研究用于人工智能的優(yōu)質(zhì)庫，它們的優(yōu)缺點以及它們的一些特征。讓我們深入并探索這些人工智能庫的世界！

1. TensorFlow

____________________________________________________________

“使用數(shù)據(jù)流圖表的可伸縮機器學(xué)習(xí)的計算”

____________________________________________________________

語言：C ++或Python。

當(dāng)進入AI時，你會聽到的第一個框架之一就是Google的TensorFlow。

TensorFlow是一個使用數(shù)據(jù)流圖表進行數(shù)值計算的開源軟件。這個框架被稱為具有允許在任何CPU或GPU上進行計算的架構(gòu)，無論是臺式機、服務(wù)器還是移動設(shè)備。這個框架在Python編程語言中是可用的。

TensorFlow對稱為節(jié)點的數(shù)據(jù)層進行排序，并根據(jù)所獲得的任何信息做出決定。！

優(yōu)點：

• 使用易于學(xué)習(xí)的語言（Python）。
• 使用計算圖表抽象。
• 用于TensorBoard的可用性的可視化。

缺點：

• 這很慢，因為Python不是語言中最快的。
• 缺乏許多預(yù)先訓(xùn)練的模型。
• 不完全開源。

2. Microsoft CNTK

____________________________________________________________

“開源深度學(xué)習(xí)工具包”

____________________________________________________________

語言：C ++。

我們可以稱之為微軟對Google的TensorFlow的回應(yīng)。

微軟的計算網(wǎng)絡(luò)工具包是一個增強分離計算網(wǎng)絡(luò)模塊化和維護的庫，提供學(xué)習(xí)算法和模型描述。

在需要大量服務(wù)器進行操作的情況下，CNTK可以同時利用多臺服務(wù)器。

據(jù)說它的功能與Google的TensorFlow相近；但是，它會更快。。

優(yōu)點：

• 這是非常靈活的。
• 允許分布式訓(xùn)練。
• 支持C ++、C＃、Java和Python。

缺點：

• 它以一種新的語言——網(wǎng)絡(luò)描述語言（Network Description Language , NDL）來實現(xiàn)。
• 缺乏可視化。

3. Theano

____________________________________________________________

“數(shù)值計算庫”

____________________________________________________________

語言：Python。

Theano是TensorFlow的強有力競爭者，是一個功能強大的Python庫，允許以高效率的方式進行涉及多維數(shù)組的數(shù)值操作。

Theano庫透明地使用GPU來執(zhí)行數(shù)據(jù)密集型計算而不是CPU，因此操作效率很高。

出于這個原因，Theano已經(jīng)被用于為大規(guī)模的計算密集型操作提供動力大約十年。

然而，在2017年9月，宣布Theano的主要開發(fā)將于2017年11月發(fā)布的1.0版本后停止。

這并不意味著它是一個不夠強大的庫。你仍然可以隨時進行深入的學(xué)習(xí)研究。。

優(yōu)點：

• 正確優(yōu)化CPU和GPU。
• 有效的數(shù)字任務(wù)。

缺點：

• 與其他庫相比，原生Theano有點低級。
• 需要與其他庫一起使用以獲得高度的抽象化。
• AWS上有點bug。

4. Caffe

____________________________________________________________

“快速、開源的深度學(xué)習(xí)框架”

____________________________________________________________

語言：C ++。

Caffe是一個強大的深度學(xué)習(xí)框架。

像這個清單上的其他框架一樣，深度學(xué)習(xí)的研究速度非常快。

借助Caffe，您可以非常輕松地構(gòu)建用于圖像分類的卷積神經(jīng)網(wǎng)絡(luò)（CNN）。Caffe在GPU上運行良好，這有助于在運行期間提高速度。。

Caffe主要的類有：

優(yōu)點：

• Python和MATLAB的綁定可用。
• 性能表現(xiàn)良好。
• 無需編寫代碼即可進行模型的訓(xùn)練。

缺點：

• 對于經(jīng)常性網(wǎng)絡(luò)不太好。
• 新體系結(jié)構(gòu)不太好。

5. Keras

____________________________________________________________

“人類的深度學(xué)習(xí)”

____________________________________________________________

語言：Python。

Keras是一個用Python編寫的開源的神經(jīng)網(wǎng)絡(luò)庫。

與TensorFlow、CNTK和Theano不同，Keras不是一個端到端的機器學(xué)習(xí)框架。

相反，它作為一個接口，提供了一個高層次的抽象化，這使得無論它坐落在哪個框架上，神經(jīng)網(wǎng)絡(luò)的配置都會變得容易。

谷歌的TensorFlow目前支持Keras作為后端，而微軟的CNTK也會在很短的時間內(nèi)做到這一點。。

優(yōu)點：

• 它是用戶友好的。
• 它很容易擴展。
• 在CPU和GPU上無縫運行。
• 與Theano和TensorFlow無縫工作。

缺點：

• 不能有效地用作獨立的框架。

6. Torch

____________________________________________________________

“一個開源的機器學(xué)習(xí)庫”

____________________________________________________________

語言：C。

Torch是一個用于科學(xué)和數(shù)字操作的開源機器學(xué)習(xí)庫。

這是一個基于Lua編程語言而非Python的庫。

Torch通過提供大量的算法，使得深度學(xué)習(xí)研究更容易，并且提高了效率和速度。它有一個強大的N維數(shù)組，這有助于切片和索引等操作。它還提供了線性代數(shù)程序和神經(jīng)網(wǎng)絡(luò)模型。！

優(yōu)點：

• 非常靈活。
• 高水平的速度和效率。
• 大量的預(yù)訓(xùn)練模型可用。

缺點：

• 不清楚的文獻記錄。
• 缺乏即時使用的即插即用代碼。
• 它基于一種不那么流行的語言——Lua。

7. Accord.NET

____________________________________________________________

“機器學(xué)習(xí)、計算機視覺、統(tǒng)計和.NET通用科學(xué)計算”

____________________________________________________________

語言：C＃。

這是專為C＃程序員設(shè)計的。

Accord.NET框架是一個.NET機器學(xué)習(xí)框架，使音頻和圖像處理變得簡單。

這個框架可以有效地處理數(shù)值優(yōu)化、人工神經(jīng)網(wǎng)絡(luò)，甚至可視化。除此之外，Accord.NET對計算機視覺和信號處理的功能非常強大，同時也使得算法的實現(xiàn)變得簡單。。

優(yōu)點：

• 它有一個強大而積極的開發(fā)團隊。
• 非常有據(jù)可查的框架。
• 質(zhì)量可視化。

缺點：

• 不是一個非常流行的框架。
• 比TensorFlow慢。

8. Spark MLlib

____________________________________________________________

“可擴展的機器學(xué)習(xí)庫”

____________________________________________________________

語言：Scala。

Apache的Spark MLlib是一個非常可擴展的機器學(xué)習(xí)庫。

它非常適用于諸如Java、Scala、Python，甚至R等語言。它非常高效，因為它可以與Python庫和R庫中的numpy進行互操作。

MLlib可以輕松插入到Hadoop工作流程中。它提供了機器學(xué)習(xí)算法，如分類、回歸和聚類。

這個強大的庫在處理大型數(shù)據(jù)時非常快速。在網(wǎng)站上了解更多信息。

優(yōu)點：

• 對于大規(guī)模數(shù)據(jù)處理非常快速。
• 提供多種語言。

缺點：

• 陡峭的學(xué)習(xí)曲線。
• 即插即用僅適用于Hadoop。

9. Sci-kit Learn

____________________________________________________________

“用Python的機器學(xué)習(xí)”

____________________________________________________________

語言：Python。

Sci-kit learn是一個非常強大的機器學(xué)習(xí)Python庫，主要用于構(gòu)建模型。

使用numpy、SciPy和matplotlib等其他庫構(gòu)建，對統(tǒng)計建模技術(shù)（如分類、回歸和聚類）非常有效。

Sci-kit learn帶有監(jiān)督學(xué)習(xí)算法、無監(jiān)督學(xué)習(xí)算法和交叉驗證等功能。！

優(yōu)點：

• 許多主要算法的可用性。
• 有效的數(shù)據(jù)挖掘。

缺點：

• 不是構(gòu)建模型的最佳選擇。
• GPU效率不高。

10. MLPack

____________________________________________________________

“可擴展的C ++機器學(xué)習(xí)庫”

____________________________________________________________

語言：C ++。

MLPack是一個用C ++實現(xiàn)的可擴展的機器學(xué)習(xí)庫。因為它是用C ++編寫的，所以你可以猜測它對于內(nèi)存管理是非常好的。

MLPack以極高的速度運行，因為高質(zhì)量的機器學(xué)習(xí)算法與庫一起出現(xiàn)。這個庫是對新手友好的，并提供了一個簡單的API使用。！

優(yōu)點：

• 非常可擴展。
• Python和C ++綁定可用。

缺點：

• 不是最好的文獻記錄。

總結(jié)

本文討論的庫非常有效，并且隨著時間的推移已經(jīng)證明都是高質(zhì)量的。像Facebook、谷歌、雅虎、蘋果和微軟這樣的大公司都利用其中的一些庫來進行深度學(xué)習(xí)和機器學(xué)習(xí)項目，那么你為什么不呢？

你能想到你經(jīng)常使用的但并不在這個列表中的其他庫嗎？請在評論區(qū)留言與我們分享！

推薦閱讀：

展望2018年：基于AI人工智能的移動應(yīng)用程序開發(fā)將如何發(fā)展

開發(fā)一個聊天機器人（Chatbot）應(yīng)用程序需要花費多少錢？

NLP|自然語言處理-語法解析指南：算法和技術(shù)

PS: 更多、相關(guān)視頻、培訓(xùn)、公開課，請關(guān)注！

關(guān)于人工智能機器學(xué)習(xí)的最新資訊和相關(guān)開發(fā)工具推薦，請<>！