6個常用的機器學習框架

從Google DeepMind的人工智慧 AlphaGo稱霸了圍棋界開始，越來越多的企業進軍了人工智慧(AI)領域。騰訊推出騰訊覓影，將運用於醫療診斷。百度則宣布開發無人駕駛車輛 。

剛剛結束的7月4日的百度AI開發者大會（Baidu Create 2018），備受關注的百度無人駕駛車登上各大新聞頭條。百度展示的L4級無人駕駛巴士「阿波龍」標誌著百度的無人駕駛技術邁進了量產化時代。

人工智慧（AI）聽起來像是未來，但人工智慧正逐漸成為我們日常生活中的一部分。

人工智慧（AI）、機器學習（machine learning）和深度學習（deep learning）這三者經常出現在一起，但實際上這三者並不是同一回事 。它們之間類似於同心圓般的從屬關係。

人工智慧是最早出現的，其次是機器學習，稍晚一點；最內側，是深度學習，當今人工智慧大爆炸的核心驅動。

機器學習(Machine Learning, ML)是一門多領域交叉學科，涉及概率論、統計學、逼近論、凸分析、理論等多門學科。專門研究計算機怎樣模擬或實現人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善自身的性能。

要運用機器學習，就要選擇框架並建立模型。下面是6個機器學習的框架介紹：

1.Amazon Machine Learning（AML）是一種讓各種級別使用機器學習技術的開發人員可輕鬆掌握的一個服務，提供了視覺工具和嚮導，可以指導您在不必學習複雜的機器學習演算法和技術的情況下建立機器學習。

2.Azure ML Studio允許微軟Azure的用戶創建和訓練模型，隨後將這些模型轉化為能被其他服務使用的API。儘管您可以將自己的Azure存儲鏈接到更大模型的服務，但是每個賬戶模型數據的存儲容量最多不超過10GB。在Azure中有大量的演算法可供使用，這要感謝微軟和一些第三方。甚至你都不需要註冊賬號，就可以匿名登錄，使用Azure ML Studio服務長達8小時。

3.Caffe是由伯克利視覺學習中心(BLVC)和社區貢獻者們基於BSD-2-協議開發的一個深度學習框架，它秉承「表示、效率和模塊化」的開發理念。模型和組合優化通過配置而不是硬編碼實現，並且用戶可根據需要在CPU處理和GPU處理之間進行切換，Caffe的高效性使其在實驗研究和產業部署中的表現很完美，使用單個NVIDIA K40 GPU處理器每天即可處理超過六千萬張圖像 。

4.Scikit-Learn為了數學和科學工作，基於現有的幾個Python包（Numpy，SciPy和matplotlib）拓展了Python的使用範圍。最終生成的庫既可用於互動式工作台應用程序，也可嵌入到其他軟體中進行復用。該工具包基於BSD協議，是完全免費開源的，可重複利用。Scikit-Learn中含有多種用於機器學習任務的工具，如聚類，分類，回歸等。Scikit-Learn是由擁有眾多開發者和機器學習專家的大型社區開發的，因此，Scikit-Learn中最前沿的技術往往會在很短時間內被開發出來。

SK-Learn

5.TensorFlow是一個使用數據流圖進行數值運算的開源軟體庫，它實現了數據流圖，其中，張量（「tensors」）可由一系列圖形描述的演算法來處理，數據在該系統中的變化被稱為「流」，由此而得名。數據流可用C++或Python編碼後在CPU或GPU的設備上運行。

TensorFlow

6.Torch是一種廣泛支持把GPU放在首位的機器學習演算法的科學計算框架。由於使用了簡單快速的腳本語言LuaJIT和底層的C/CUDA來實現，使得該框架易於使用且高效。Torch目標是讓你通過極其簡單的過程、最大的靈活性和速度建立自己的科學演算法。Torch是基於Lua開發的，擁有一個龐大的生態社區驅動庫包設計機器學習、計算機視覺、信號處理，並行處理，圖像，視頻，音頻和網路等。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！