随着机器学习和人工智能的迅猛发展, 业界出现了许多开源的机器学习平台. 由于机器学习与大数据天然的紧密结合, 基于 Hadoop Yarn 的分布式任务调度仍是业界主流, 但是随着容器化的发展, Docker + Kubernetes 的云原生组合, 也展现出了很强的生命力. 以下是为大家精心总结的机器学习平台和工具, 现在已经可作为资源将 ML 的强大功能无缝集成到日常任务中.
1. Eclipse Deeplearning4j
Eclipse Deeplearning4j 是一个为 Java 虚拟机构建的开源库. 适合有 DIY 倾向的人, 以深度学习为核心, 本工具针对那些需要在分布式 CPU 和 GPU 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.NET Framework
图像和音频处理库以 C# 编程语言编写, 然后与 Accord.NET 框架相结合. 功能强大, 在里面开发人员可以创建一系列商业用途的应用程序, 这些应用程序依赖机器学习, 比如计算机视觉, 信号处理, 模式识别和计算机视觉. 这样有多种可供选择, 开发人员可以利用图像和信号处理, 科学计算等.
3. 微软 Azure ML
Microsoft Azure ML 是一个 MLaaS 平台, 提供了一个带有两个模型创作环境的工作室: 自动化 ML 和设计器. 它还可以将模型转换为可自动伸缩的预测 API. 允许用户查看和可视化地编辑模型训练管道, 即获取数据, 准备数据和应用 ML 算法生成预测模型的操作序列. 通过避免接口捕获的缺少数据操作的输入或禁止的连接, 设计器使理解, 创建管道变得更容易.
4.Lobe
Lobe 是微软于 2018 年收购的一项服务, 它也提供交互式画布和自动功能, 但也允许用户处理图像功能. 它提供了一个易于使用的环境来自动建立神经网络模型, 通过一个可视化的界面. 模型是由可以完全控制的构件组成的 (波瓣建立在 TensorFlow 和 keras 之上), 培训可以通过实时的交互式图表进行监控. 训练好的模型可以通过开发人 API 提供, 或者导出到 Core ML 和 TensorFlow 文件, 在 iOS 和 Android 设备上运行.
5. TensorFlow
TensorFlow 专为在依赖机器学习的项目中使用而设计, 它具有作为使用开源软件设计的平台的附加优势. 在大量的在线资源, 文档和教程的帮助下, TensorFlow 提供了一个包含数值计算形式的数据流图的库. 目的是让开发人员能够跨多种设备启动深度学习框架.
6. DiffBlue
DiffBlue 是比较罕见的开发工具, 它是一个非常有用但简单的平台, 致力于代码自动化. DiffBlue 有几个核心目的: 测试编写, 错误定位, 重构代码以及发现和替换弱点的能力, 这些都是使用自动化完成的.
7. Neon
它是由 Intel 和 Nervana 开发的, Neon 是一个基于 Python 的 ML 库, 并且是开源的. 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, 支持开发人员开发, 构建和训练深度学习技术.
8. OpenNN
一个 C ++ 编程库, OpenNN 主要针对那些想要实现神经网络的经验丰富的开发人员. 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条目.
来源: http://ai.51cto.com/art/202101/641576.htm