英文出处: dashbouquet .欢迎加入 翻译组 .
尽管人工智能(AI )已经存在很长时间了,但因为这一领域取得的巨大进步,它最近成为了一个流行词.
AI 曾被认为是狂热爱好者和天才的专属领域,但由于各种库和框架的蓬勃发展,它慢慢成为了一个不那么排外的 IT 领域,并吸引了大量的人才投入其中.
在本文中,我们将介绍那些用于 AI 开发的高质量库,并谈谈它们的优缺点,以及特性.
现在,让我们进入并探索 AI 库的世界吧.
TensorFlow
"使用数据流程图对可拓展的机器学习进行计算"
语言:C++
84 725 ★
初接触 AI 时,你听说的首批框架应该包含了谷歌的 TensorFlow.
TensorFlow 是一个使用数据流程图进行数值计算的开源软件.这个不错的框架因其架构而闻名,它允许在任何 CPU 或 GPU 上进行计算,不管是桌面,服务器,还是移动设备.它可在 Python 编程语言中使用.
TensorFlow 主要是通过数据层进行排序,而我们可以调用节点,并根据所得到的信息进行决策. 点击查看 !
优点:
使用简单易学的语言,如 Python.
使用计算图进行抽象.
可以使用 TensorBoard 获得可视化.
缺点:
运行速度慢,因为 Python 不是最快的语言.
缺乏许多预训练的模型.
不完全开源.
Microsoft CNTK
"开源的深度学习工具包"
语言:C++
13 516 ★
我们是否可以将它看作是微软对谷歌 TensorFlow 的回应?
微软的 CNTK(计算网络工具包)是一个用来增强模块化和保持计算网络分离的库,提供学习算法和模型描述.
在需要大量服务器进行计算的情况下,CNTK 可以同时利用多台服务器.
据说 CNTK 在功能上接近谷歌的 TensorFlow,但速度比对方要快一些. 了解更多 .
优点:
高度灵活.
允许分布式训练.
支持 C++,C#,Java 和 Python.
缺点:
它由一种新的语言--NDL(网络描述语言)实现.
缺乏可视化.
Theano
"数值计算库"
语言:Python
7 550 ★
作为 TensorFlow 的强有力竞争对手,Theano 是一个强大的 Python 库,它允许使用高效多维数组进行数值计算.
它不使用 CPU,而是透明地使用 GPU,用于数据密集型计算,所以效率很高.
因此,在大约 10 年内,Theano 一直被用于大规模的数据密集型计算.
然而,在 2017 年 9 月 28 日当日,开发团队宣称,将在 2017 年 11 月 15 日发布 1.0 版后,停止对它的主要开发.
但这并没有削弱它的强大实力,你仍可以使用它,随时进行深入学习的研究. 了解更多 .
优点:
对 CPU 和 GPU 进行了适当优化.
高效的数值计算任务.
缺点:
与其他库相比,原始的 Theano 有点儿低级.
需要与其他库一起使用,以获得较高级的抽象.
在 AWS 上使用有点小 Bug.
Caffe
"应对深入学习的快速开放架构"
语言:C++
22 111 ★
Caffe 是一个强大的深度学习框架.
和这个列表中的其他框架一样,它对于深入学习的研究而言,是非常快速和有效的.
使用 Caffe,你可以轻易地构建一个用于图像分类的 CNN(卷积神经网络).它在 GPU 上运行良好,使得运行速度非常快.查看 主页 .
上图是 Caffe 的主类.
优点:
可以与 Python 和 MATLAB 绑定使用.
高性能.
无需编写代码,即可训练模型.
缺点:
对递归网络支持不好.
对新架构来说不是很好.
keras
"针对人类的深度学习"
语言:Python
23 711 ★
Keras 是一个用 Python 编写的开源神经网络库.
不似 TensorFlow,CNTK,Theano,Keras 这种端到端(End-to-End)的机器学习框架,
相反,它是一个接口,提供了高层次的抽象,使得神经网络的配置变得更加简单,而不必考虑所在的框架.
谷歌的 TensorFlow 目前支持 Keras 作为后端,而微软的 CNTK 也将在短时间内获得支持. 了解更多 .
优点:
它对用户友好,易于上手.
高度拓展.
可以在 CPU 或 GPU 上无缝运行.
完美兼容 Theano 和 TensorFlow.
缺点:
不能有效地作为一个独立的框架来使用.
Torch
"开源机器学习库"
语言:C
7 584 ★
Torch 是一个用于科学计算和数值计算的开源机器学习库.
它是一个基于 Lua 编程语言(终于不再是 Python)的库.
通过提供大量算法,使得深入学习的研究更加容易,并提高了效率和速度.它有一个强大的 N 维数组,帮助进行类似切片和索引这样的计算,并提供线性代数程序和神经网络模型. 了解更多 .
优点:
高度灵活.
速度快,效率高.
大量的预训练模型可用.
缺点:
说明文档不够清晰.
缺乏立即使用的即插即用代码.
它基于一个不怎么流行的编程语言 Lua.
Accord.NET
"针对 .NET 的机器学习,计算机视觉,统计学和通用科学计算"
语言:C#
2 424 ★
这是为 C# 程序员准备的.
Accord.NET 框架是一个 .NET 机器学习框架,使得音频和图像的处理变得更加简单.
该框架可以有效地解决数值优化,人工神经网络,甚至给出了可视化的特征.此外,Accord.NET 对计算机视觉和信号处理具有强大的功能,并且易于算法实现.查看 主页 .
优点:
它拥有一个庞大且活跃的开发团队.
说明文档非常不错.
高质量的可视化.
缺点:
这不是一个非常流行的框架.
与 TensorFlow 相比,速度慢.
Spark MLlib
"可扩展的机器学习库"
语言:Scala
15 708 ★
Apache 的 Spark MLlib 是一个具有高度拓展性的机器学习库.
它在 Java,Scala,Python 甚至 R 语言中都非常有用,因为它使用 Python 和 R 中类似 Numpy 这样的库,能够进行高效的交互.
MLlib 可以很容易地插入 Hadoop 工作流程中.它提供了机器学习算法,如分类,回归,聚类等.
这个强大的库在处理大规模的数据时,速度非常快.在 网站 上了解更多.
优点:
对于大规模数据处理来说,非常快.
可用于多种语言.
缺点:
陡峭的学习曲线.
仅 Hadoop 支持即插即用.
Sci-Kit Learn
"Python 中的机器学习"
语言:Python
24 369 ★
Sci-kit learn 是一个针对机器学习的强大 Python 库,主要用于构建模型.
使用诸如 Numpy,SciPy 和 Matplotlib 等其他库构建,对于统计建模技术(如分类,回归,集群等)非常有效.
Sci-Kit learn 的特性包括监督式学习算法,非监督式学习算法和交叉验证. 点击查看 .
优点:
可以使用许多 shell 算法.
高效的数据挖掘.
缺点:
不是最好的模型构建库.
GPU 使用不高效.
MLPack
"可扩展的 C++ 机器学习库"
语言:C++
1 856 ★
MLPack 是一个使用 C++ 实现的可扩展的机器学习库.在 C++ 中,你可以猜到,它的内存管理非常出色.
拥有高质量的机器学习算法与库,MLPack 的运行速度非常快.它对新手十分友好,因为它提供了一个可供使用的简单 API. 点击查看 .
优点:
高度拓展.
可以与 Python 和 C++ 绑定.
缺点:
说明文档不够清晰.
总结
本文所讨论的库都非常高效,并经过了时间的考验,质量上乘.五大巨头 Facebook,谷歌,雅虎,苹果,微软都在使用这些库进行深度学习和机器学习项目.
你有什么理由不用哪?
你能想到其他经常使用,但不在列表上的库吗?请在评论部分与我们分享.
来源: http://blog.jobbole.com/113499/