10 個用於 AI 開發的框架和庫
（點擊
上方公眾號
，可快速關注）
編譯：伯樂在線 - 飛哥的咖啡，
英文：dashbouquet
http://blog.jobbole.com/113499/
儘管人工智慧（AI ）已經存在很長時間了，但因為這一領域取得的巨大進步，它最近成為了一個流行詞。
AI 曾被認為是狂熱愛好者和天才的專屬領域，但由於各種庫和框架的蓬勃發展，它慢慢成為了一個不那麼排外的 IT 領域，並吸引了大量的人才投入其中。
在本文中，我們將介紹那些用於 AI 開發的高質量庫，並談談它們的優缺點，以及特性。
現在，讓我們進入並探索 AI 庫的世界吧。
TensorFlow：
「使用數據流程圖對可拓展的機器學習進行計算」
語言：C++
84 725 ★
初接觸 AI 時，你聽說的首批框架應該包含了谷歌的 TensorFlow。
TensorFlow 是一個使用數據流程圖進行數值計算的開源軟體。這個不錯的框架因其架構而聞名，它允許在任何 CPU 或 GPU 上進行計算，不管是桌面、伺服器，還是移動設備。它可在 Python 編程語言中使用。
TensorFlow 主要是通過數據層進行排序，而我們可以調用節點，並根據所得到的信息進行決策。
官網：https://www.tensorflow.org/
優點：
使用簡單易學的語言，如 Python。
使用計算圖進行抽象。
可以使用 TensorBoard 獲得可視化。
缺點：
運行速度慢，因為 Python 不是最快的語言。
缺乏許多預訓練的模型。
不完全開源。
Microsoft CNTK：
「開源的深度學習工具包」
語言：C++
13 516 ★
我們是否可以將它看作是微軟對谷歌 TensorFlow 的回應？
微軟的 CNTK（計算網路工具包）是一個用來增強模塊化和保持計算網路分離的庫，提供學習演算法和模型描述。
在需要大量伺服器進行計算的情況下，CNTK 可以同時利用多台伺服器。
據說 CNTK 在功能上接近谷歌的 TensorFlow，但速度比對方要快一些。
官網：https://github.com/Microsoft/CNTK
優點：
高度靈活。
允許分散式訓練。
支持 C++、C#、Java 和 Python。
缺點：
它由一種新的語言——NDL（網路描述語言）實現。
缺乏可視化。
Theano：
「數值計算庫」
語言：Python
7 550 ★
作為 TensorFlow 的強有力競爭對手，Theano 是一個強大的 Python 庫，它允許使用高效多維數組進行數值計算。
它不使用 CPU，而是透明地使用 GPU，用於數據密集型計算，所以效率很高。
因此，在大約 10 年內，Theano 一直被用於大規模的數據密集型計算。
然而，在 2017 年 9 月 28 日當日，開發團隊宣稱，將在 2017 年 11 月 15 日發布 1.0 版後，停止對它的主要開發。
但這並沒有削弱它的強大實力，你仍可以使用它，隨時進行深入學習的研究。
官網：https://github.com/Theano/Theano
優點：
對 CPU 和 GPU 進行了適當優化。
高效的數值計算任務。
缺點：
與其他庫相比，原始的 Theano 有點兒低級。
需要與其他庫一起使用，以獲得較高級的抽象。
在 AWS 上使用有點小 Bug。
Caffe：
「應對深入學習的快速開放架構」
語言：C++
22 111 ★
Caffe 是一個強大的深度學習框架。
和這個列表中的其他框架一樣，它對於深入學習的研究而言，是非常快速和有效的。
使用 Caffe，你可以輕易地構建一個用於圖像分類的 CNN（卷積神經網路）。它在 GPU 上運行良好，使得運行速度非常快。
官網：http://caffe.berkeleyvision.org/
上圖是 Caffe 的主類。
優點：
可以與 Python 和 MATLAB 綁定使用。
高性能。
無需編寫代碼，即可訓練模型。
缺點：
對遞歸網路支持不好。
對新架構來說不是很好。
Keras：
「針對人類的深度學習」
語言：Python
23 711 ★
Keras 是一個用 Python 編寫的開源神經網路庫。
不似 TensorFlow、CNTK、Theano、Keras 這種端到端（End-to-End）的機器學習框架，
相反，它是一個介面，提供了高層次的抽象，使得神經網路的配置變得更加簡單，而不必考慮所在的框架。
谷歌的 TensorFlow 目前支持 Keras 作為後端，而微軟的 CNTK 也將在短時間內獲得支持。
官網：https://keras.io/
優點：
它對用戶友好，易於上手。
高度拓展。
可以在 CPU 或 GPU 上無縫運行。
完美兼容 Theano 和 TensorFlow。
缺點：
不能有效地作為一個獨立的框架來使用。
Torch：
「開源機器學習庫」
語言：C
7 584 ★
Torch 是一個用於科學計算和數值計算的開源機器學習庫。
它是一個基於 Lua 編程語言（終於不再是 Python）的庫。
通過提供大量演算法，使得深入學習的研究更加容易，並提高了效率和速度。它有一個強大的 N 維數組，幫助進行類似切片和索引這樣的計算，並提供線性代數程序和神經網路模型。官網：http://torch.ch/
優點：
高度靈活。
速度快，效率高。
大量的預訓練模型可用。
缺點：
說明文檔不夠清晰。
缺乏立即使用的即插即用代碼。
它基於一個不怎麼流行的編程語言 Lua。
Accord.NET：
針對 .NET 的機器學習、計算機視覺、統計學和通用科學計算
語言：C＃
2 424 ★
這是為 C# 程序員準備的。
Accord.NET 框架是一個 .NET 機器學習框架，使得音頻和圖像的處理變得更加簡單。
該框架可以有效地解決數值優化、人工神經網路，甚至給出了可視化的特徵。此外，Accord.NET 對計算機視覺和信號處理具有強大的功能，並且易於演算法實現。
官網：http://accord-framework.net/
優點：
它擁有一個龐大且活躍的開發團隊。
說明文檔非常不錯。
高質量的可視化。
缺點：
這不是一個非常流行的框架。
與 TensorFlow 相比，速度慢
Spark MLlib：
可擴展的機器學習庫
語言：Scala
15 708 ★
Apache 的 Spark MLlib 是一個具有高度拓展性的機器學習庫。
它在 Java、Scala、Python 甚至 R 語言中都非常有用，因為它使用 Python 和 R 中類似 Numpy 這樣的庫，能夠進行高效的交互。
MLlib 可以很容易地插入 Hadoop 工作流程中。它提供了機器學習演算法，如分類、回歸、聚類等。
這個強大的庫在處理大規模的數據時，速度非常快。
官網：https://spark.apache.org/mllib/
優點：
對於大規模數據處理來說，非常快。
可用於多種語言。
缺點：
陡峭的學習曲線。
僅 Hadoop 支持即插即用。
Sci-Kit Learn：
「Python 中的機器學習」
語言：Python
24 369 ★
Sci-kit learn 是一個針對機器學習的強大 Python 庫，主要用於構建模型。
使用諸如 Numpy、SciPy 和 Matplotlib 等其他庫構建，對於統計建模技術（如分類、回歸、集群等）非常有效。
Sci-Kit learn的特性包括監督式學習演算法、非監督式學習演算法和交叉驗證。
官網：http://scikit-learn.org/
優點：
可以使用許多 shell 演算法。
高效的數據挖掘。
缺點：
不是最好的模型構建庫。
GPU 使用不高效。
MLPack：
「可擴展的 C++ 機器學習庫」
語言：C++
1 856 ★
MLPack 是一個使用 C++ 實現的可擴展的機器學習庫。在 C++ 中，你可以猜到，它的內存管理非常出色。
擁有高質量的機器學習演算法與庫，MLPack 的運行速度非常快。它對新手十分友好，因為它提供了一個可供使用的簡單 API。
官網：http://mlpack.org/
優點：
高度拓展。
可以與 Python 和 C++ 綁定。
缺點：
說明文檔不夠清晰。
總結
本文所討論的庫都非常高效，並經過了時間的考驗，質量上乘。五大巨頭 Facebook、谷歌、雅虎、蘋果、微軟都在使用這些庫進行深度學習和機器學習項目。
你有什麼理由不用哪？
你能想到其他經常使用，但不在列表上的庫嗎？請在評論部分與我們分享。
看完本文有收穫？請轉
發分享給更多人
關注「P
ython開發者」，提升Python技能
TAG:Python開發者 |