【.comExpress翻译】人工智能绝不是新事物；然而，随着近年来这一领域的快速发展，人工智能在全球掀起了一股热潮。过去，人工智能领域被称为书籍和天才的集散地，但现在随着各种资源库和框架的发展，它正逐渐成为一个更加友好的IT领域，吸引更多的普通人加入进来。在今天的文章中，我们将了解一些用于AI开发的高质量存储库，分析它们的优缺点，并讨论它们的一些特性。接下来，马上开始探索这个人工智能资源库的世界吧！1.TensorFlow“使用数据量图计算进行可扩展机器学习”。语言：C++或Python。初涉AI领域，听到的第一个框架几乎肯定是谷歌的TensorFlow。TensorFlow是一种利用数据流图进行数值计算的开源软件。据说该框架具有可以在任何CPU或GPU上运行的计算架构——包括台式机、服务器或移动设备。另外，这个框架也可以用在Python编程语言中。TensorFlow对称为节点的数据层进行排序，并根据它获得的任意信息做出决策。优点：使用易于学习的语言（Python）。使用计算图抽象机制。它可以用TensorBoard可视化。缺点：速度慢，主要受Python语言影响。缺乏足够的预训练模型。不完全开源。2.MicrosoftCNTK“开源深度学习工具集”。语言：C++。我们可以把CNTK叫做微软的TensorFlow。微软的计算网络工具集是一套资源库，可以加强独立计算网络的模块化和维护能力，同时提供学习算法和模型描述。同时，CNTK还可以利用多台服务器的优势，更好地利用大量资源来处理任务。据说它在功能上与谷歌的TensorFlow非常相似，只是速度快一点。优点：***灵活性。允许分布式训练。支持C++、C#、Java和Python。缺点：它是用一种叫做网络描述语言（简称NDL）的新语言实现的。缺乏可视化能力。3.Theano“一个数值计算库”。语言：Python。TensorFlow的一个重要竞争对手是Theano，这是一组功能强大的Python库，可以有效地执行与多维数组相关的数值运算。这套库透明地利用GPU（而不是CPU）进行数据密集型计算，因此计算非常高效。正因为如此，Theano大约在十年前就被引入到大规模计算密集型任务中。然而，2017年9月开发团队宣布，在2017年11月发布1.0版本后，Theano的主体开发将正式停止。当然，这一切都不足以影响Theano本身的强大性能。您仍然可以随时将其用于您自己的深度学习研究工作。优点：针对CPU和GPU进行了适当优化。它在数值计算任务中非常有效。缺点：与其他存储库相比，Theano是原始的和低级的。需要额外的库才能获得高级抽象功能。在AWS上运行时有一点错误。4.Caffe“快速开放的深度学习框架”。语言：C++。Caffe是一个强大的深度学习框架。与此列表中的其他框架选项一样，Caffe也具有出色的深度学习研究速度和效率。使用Caffe，您可以轻松构建用于图像分类的卷积神经网络（简称CNN）。Caffe可以很好的运行在GPU上，可以显着提高运行过程中的速度性能。Caffe主类：优点：提供Python和MATLAB绑定。性能强劲。无需编写代码即可完成模型训练。缺点：循环网络很差。支持新架构效果一般。5.Keras“人类的深度学习解决方案。”语言：Python。Keras是一个用Python编写的开源神经网络库。与TensorFLow、CNTK甚至Theano不同，Keras不是端到端的机器学习框架。相反，它充当一个接口，为各种其他框架提供高级抽象，使神经网络的配置更加容易。谷歌的TensorFlow目前支持Keras作为后端，而微软的CNTK将很快提供相同的选项。优点：用户友好。易于扩展。可以在CPU和GPU上无缝运行。与Theano和TensorFlow无缝协作。缺点：不能用作独立框架。6.Torch“一套开源机器学习库”。语言：C。Torch是一个用于科学和数值计算的开源机器学习库。这是一组基于-而不是Python-Lua编程语言的库。通过提供大量的算法选项，大大简化了深度学习研究的门槛，提高了效率和速度。Torch拥有强大的N维数组，可以帮助用户轻松完成分片、索引等操作。它还提供了各种线性代数例程和神经网络模型。优点：***灵活性。可观的速度和效率。提供大量预训练模型。缺点：文档不够清晰。缺乏现成的即插即用代码。基于不太流行的语言Lua。7.Accord.NET“.NET的机器学习、计算机视觉、统计和通用科学计算”。语言：C#。这是一份献给C#程序员的礼物。Accord.NET框架是一套.NET机器学习框架，可以轻松完成音频和图像处理。该框架可以有效地处理数值优化、人工神经网络甚至可视化任务。此外，Accord.NET还擅长计算机视觉和信号处理，可以轻松实现各种算法。优点：拥有庞大而活跃的开发团队。文档质量非常高。高质量的可视化功能。缺点：不是很受欢迎。它比TensorFlow慢。8.SparkMLlib“一组可扩展的机器学习库。”语言：斯卡拉。Apache的SparkMLlib是一组最具扩展性的机器学习库。它适用于Java、Scala、Python甚至R等语言，而且效率极高，可以与Python库和R库中的numpy互操作。MLlib可以很容易地插入到Hadoop工作流中。它提供了多种机器学习算法，包括分类、回归和聚类等。这组功能强大的库在处理超大规模数据时速度极快。优点：处理超大规模数据时速度极快。提供多种语言版本。缺点：学习曲线陡峭。即插即用仅适用于Hadoop。9.Sci-kitLearn“Python中的机器学习实现。》语言：Python。Sci-kitlearn是一套强大的Python库，主要用于机器学习中的模型构建场景。由于使用了numpy、SciPy、matplotlib等其他库构建，构建效率高.处理各种统计建模技术，包括分类、回归和聚类。Sci-kitlearn具有监督学习算法、非监督学习算法和交叉验证等功能。优点：可以支持各种主要算法。在数据挖掘非常高效。缺点：不是模型构建的最佳选择。GPU资源利用效率不高。10.MLPack"一组可扩展的C++机器学习库。”语言：C++。MLPack是一组用C++语言实现的可扩展机器学习库。既然是用C++写的，你可以想象它在内存管理方面有很多经验。MLPack具有出色的运行速度，这是因为该库提供了多种质量惊人的机器学习算法。这个库对新手非常友好，提供了简单的API供用户使用。优点：***可扩展性。提供Python和C++绑定。缺点：文档平均质量。结束语本文中讨论的各种库选项非常高效，并且随着时间的推移已被证明具有出色的质量。既然像Facebook、谷歌、雅虎、苹果和微软这样的巨头都在使用这些库来支持他们自己的深度学习和机器学习项目，你当然没有理由拒绝，不是吗？当然，我相信你也有一些你经常使用但没有包含在这个列表中的库选项——欢迎在评论中分享你的经验！原文链接：https://dzone.com/articles/progressive-tools10-best-frameworks-and-libraries
