随着机器学习和人工智能的飞速发展，业界涌现了很多开源的机器学习平台。由于机器学习与大数据的天然紧密结合，基于HadoopYarn的分布式任务调度仍然是业界主流。但随着容器化的发展，Docker+Kubernetes的云原生组合也展现出了强大的生命力。以下是精选的机器学习平台和工具列表，现在可作为资源将ML的强大功能无缝集成到日常任务中。1.EclipseDeeplearning4jEclipseDeeplearning4j是一个为Java虚拟机构建的开源库。该工具适合DIY爱好者，以深度学习为核心，面向需要在分布式CPU和GPU上工作的商业环境中构建深度神经网络的开发人员。Scala、Clojure和Java程序员可以使用像Hadoop这样的文件系统。2.Accord.NETFramework图像和音频处理库是用C#编程语言编写的，然后结合Accord.NET框架。功能强大，开发人员可以在其中创建一系列依赖机器学习的商业上有用的应用程序，例如计算机视觉、信号处理、模式识别和计算机视觉。有了这么多可用的选项，开发人员可以利用图像和信号处理、科学计算等。3.MicrosoftAzureMLMicrosoftAzureML是一个MLaaS平台，为工作室提供两种模型创作环境：AutomatedML和Designer。它还可以将模型转换为可自动扩展的预测API。允许用户查看和可视化编辑模型训练管道、获取数据的操作序列、准备数据并应用ML算法生成预测模型。通过避免丢失数据操作输入或接口捕获的禁止连接，设计人员可以更轻松地理解和创建管道。4.LobeLobe是微软在2018年收购的一项服务，它还提供交互式画布和自动化功能，还允许用户操作图像功能。它提供了一个易于使用的环境，可以通过可视化界面自动构建神经网络模型。模型由可以完全控制的构建块组成（Lobe构建在TensorFlow和Keras之上），并且可以通过交互式图形实时监控训练。经过训练的模型可通过开发人员API提供，或导出为CoreML和TensorFlow文件以在iOS和Android设备上运行。5.TensorFlowTensorFlow专为依赖机器学习的项目而设计，它的额外优势是作为一个使用开源软件设计的平台。借助大量在线资源、文档和教程，TensorFlow提供了一个包含数值计算形式的数据流图的库。目标是使开发人员能够跨多个设备启动深度学习框架。6.DiffBlueDiffBlue是一个比较少见的开发工具，它是一个非常好用但简单的专门用于代码自动化的平台。DiffBlue有几个核心目的：测试编写、错误定位、重构代码的能力以及查找和替换弱点，所有这些都是使用自动化完成的。7.Neon由Intel和Nervana共同开发，Neon是一个基于Python的机器学习库，是开源的。使用其工具的开发人员可以利用技术先进的应用程序和智能代理。在云环境中，它支持云计算，使开发者能够开发、构建和训练深度学习技术。8.OpenNN一个C++编程库，OpenNN主要面向有经验的想要实现神经网络的开发者。工具旨在通过创建表格、图表和其他可视内容来解释和简化数据输入。
