作为机器学习开发者,一定需要大量的机器学习资源,包括可以在项目中使用的工具。今天给大家介绍8款机器学习的开源工具,希望能帮助大家提高工作效率。1.GradioGradio拥有用于创建基于Web的UI的工具,这些UI允许用户与模型进行实时交互。它包括几个示例项目,例如InceptionV3图像分类器的输入接口、MNIST手写识别模型等,帮助您了解如何在自己的项目中使用Gradio。2.ComposeCompose可以解决机器学习模型中标注原始数据的常见问题。可以使用Python为数据编写一套标注函数,也可以对数据设置各种变换和阈值,简化标注的过程。3.CoreMLToolsCoreMLTools是一个集成了许多Python机器学习库和工具的Python包。TensorFlow、PyTorch、Keras、ONNX、Scikit-learn等模型均可转换,其神经网络模型训练后也可量化。而是针对大小进行优化。4.GoLearnGoLearn是GoogleGo语言的机器学习库。它更具可定制性,可以轻松扩展应用程序中的某些数据结构。此外,它还可以加载和处理库中的数据,以SciPy和R为模型。5.CortexCortex提供了一种简单的方法,可以使用Python和TensorFlow、PyTorch和Scikit-learn等模型从机器学习模型中提供预测服务。一个典型的Cortex包只有几个文件,包括核心Python逻辑,描述要使用的模型,一个要分发的cortex.yaml文件,以及一个用于安装所需Python要求的require.txt文件。它的计算资源分布方式与Kubernetes大致相同,因此可以使用GPU或AmazonInferentiaASIC加速服务。6.OryxOryx主要使用ApacheSpark和ApacheKafka在实时数据上运行机器学习模型。2.0版本对项目进行了重新设计,其组件采用lambda架构松耦合,可以随时添加新的算法和算法的新抽象。7.FeaturetoolsFeaturetools具有执行此操作的能力,方法是在数据框中合成数据,并构建高级Python对象,这些对象可以对从一个或多个数据框中提取的数据执行操作。还具备综合操作所需的常用图元,用户无需自己滚动图元,非常方便省心。8.ShogunShogun是用C++编写的,可以与Java、Python、C#、Ruby、R、Lua、Octave和Matlab一起使用。最新的主要版本6.0.0添加了对MicrosoftWindows和Scala语言的本地支持,它声称比其他库更快、更容易使用,这是一个很大的优势。
