人工智能（AI）已经存在很长时间了。然而，由于这一领域的巨大进步，近年来它已成为一个流行语。人工智能曾经被称为一个完整的书 呆子和天才的领域，但由于各种开发库和框架的发展，它已经成为一个友好的IT领域，并有很多人正走进它。 在这篇文章中，我们将研究用于人工智能的优质库，它们的优缺点以及它们的一些特征。让我们深入并探索这些人工智能库的世界！ 1. TensorFlow “使用数据流图表的可伸缩机器学习的计算”
语言：C ++或Python。 当进入AI时，你会听到的第一个框架之一就是Google的TensorFlow。 TensorFlow是一个使用数据流图表进行数值计算的开源软件。这个框架被称为具有允许在任何CPU或GPU上进行计算的架构，无论是台式机 、服务器还是移动设备。这个框架在Python编程语言中是可用的。 TensorFlow对称为节点的数据层进行排序，并根据所获得的任何信息做出决定。点击查看详情！
优点： 使用易于学习的语言（Python）。 使用计算图表抽象。 用于TensorBoard的可用性的可视化。 缺点： 这很慢，因为Python不是语言中最快的。 缺乏许多预先训练的模型。 不完全开源。 2. Microsoft CNTK “开源深度学习工具包”
语言：C ++。 我们可以称之为微软对Google的TensorFlow的回应。 微软的计算网络工具包是一个增强分离计算网络模块化和维护的库，提供学习算法和模型描述。 在需要大量服务器进行操作的情况下，CNTK可以同时利用多台服务器。 据说它的功能与Google的TensorFlow相近；但是，它会更快。在这里 了解更多。
优点： 这是非常灵活的。 允许分布式训练。 支持C ++、C＃、Java和Python。 缺点： 它以一种新的语言——网络描述语言（Network Description Language , NDL）来实现。 缺乏可视化。 3. Theano “数值计算库”
语言：Python。 Theano是TensorFlow的强有力竞争者，是一个功能强大的Python库，允许以高效率的方式进行涉及多维数组的数值操作。 Theano库透明地使用GPU来执行数据密集型计算而不是CPU，因此操作效率很高。 出于这个原因，Theano已经被用于为大规模的计算密集型操作提供动力大约十年。 然而，在2017年9月，宣布Theano的主要开发将于2017年11月发布的1.0版本后停止。 这并不意味着它是一个不够强大的库。你仍然可以随时进行深入的学习研究。在这里了解更多。 Theano data-intensive computations 优点： 正确优化CPU和GPU。 有效的数字任务。 缺点： 与其他库相比，原生Theano有点低级。 需要与其他库一起使用以获得高度的抽象化。 AWS上有点bug。 4. Caffe “快速、开源的深度学习框架” 语言：C ++。 Caffe是一个强大的深度学习框架。 像这个清单上的其他框架一样，深度学习的研究速度非常快。 借助Caffe，您可以非常轻松地构建用于图像分类的卷积神经网络（CNN）。Caffe在GPU上运行良好，这有助于在运行期间提高速度。查看主页获取更多信息。 Caffe主要的类有：
main classes 优点： Python和MATLAB的绑定可用。 性能表现良好。 无需编写代码即可进行模型的训练。 缺点： 对于经常性网络不太好。 新体系结构不太好。 5. Keras “人类的深度学习” 语言：Python。 Keras是一个用Python编写的开源的神经网络库。 与TensorFlow、CNTK和Theano不同，Keras不是一个端到端的机器学习框架。 相反，它作为一个接口，提供了一个高层次的抽象化，这使得无论它坐落在哪个框架上，神经网络的配置都会变得容易。 谷歌的TensorFlow目前支持Keras作为后端，而微软的CNTK也会在很短的时间内做到这一点。在这里了解更多。
优点： 它是用户友好的。 它很容易扩展。 在CPU和GPU上无缝运行。 与Theano和TensorFlow无缝工作。 缺点： 不能有效地用作独立的框架。 6. Torch “一个开源的机器学习库” 语言：C。 Torch是一个用于科学和数字操作的开源机器学习库。 这是一个基于Lua编程语言而非Python的库。 Torch通过提供大量的算法，使得深度学习研究更容易，并且提高了效率和速度。它有一个强大的N维数组，这有助于切片和索引等操作。 它还提供了线性代数程序和神经网络模型。点击查看详情！
优点： 非常灵活。 高水平的速度和效率。 大量的预训练模型可用。 缺点： 不清楚的文献记录。 缺乏即时使用的即插即用代码。 它基于一种不那么流行的语言——Lua。 7. Accord.NET “机器学习、计算机视觉、统计和.NET通用科学计算” 语言：C＃。 这是专为C＃程序员设计的。 Accord.NET框架是一个.NET机器学习框架，使音频和图像处理变得简单。 这个框架可以有效地处理数值优化、人工神经网络，甚至可视化。除此之外，Accord.NET对计算机视觉和信号处理的功能非常强大，同时 也使得算法的实现变得简单。检查主页面。
优点： 它有一个强大而积极的开发团队。 非常有据可查的框架。 质量可视化。 缺点： 不是一个非常流行的框架。 比TensorFlow慢。 8. Spark MLlib “可扩展的机器学习库” 语言：Scala。 Apache的Spark MLlib是一个非常可扩展的机器学习库。 它非常适用于诸如Java、Scala、Python，甚至R等语言。它非常高效，因为它可以与Python库和R库中的numpy进行互操作。 MLlib可以轻松插入到Hadoop工作流程中。它提供了机器学习算法，如分类、回归和聚类。 这个强大的库在处理大型数据时非常快速。
优点： 对于大规模数据处理非常快速。 提供多种语言。 缺点： 陡峭的学习曲线。 即插即用仅适用于Hadoop。 9. Sci-kit Learn “用Python的机器学习” 语言：Python。 Sci-kit learn是一个非常强大的机器学习Python库，主要用于构建模型。 使用numpy、SciPy和matplotlib等其他库构建，对统计建模技术（如分类、回归和聚类）非常有效。 Sci-kit learn带有监督学习算法、无监督学习算法和交叉验证等功能。点击查 看详情！ 优点： 许多主要算法的可用性。 有效的数据挖掘。 缺点： 不是构建模型的最佳选择。 GPU效率不高。 10. MLPack “可扩展的C ++机器学习库” 语言：C ++。 MLPack是一个用C ++实现的可扩展的机器学习库。因为它是用C ++编写的，所以你可以猜测它对于内存管理是非常好的。 MLPack以极高的速度运行，因为高质量的机器学习算法与库一起出现。这个库是对新手友好的，并提供了一个简单的API使用。点击查看详情！
优点： 非常可扩展。 Python和C ++绑定可用。 缺点： 不是最好的文献记录。 |
|
|
来自： 星光闪亮图书馆 > 《机器学习与人工智能》
