在很長一段時間內(nèi)，人工智能都被認為是陽春白雪的科技技術(shù)，只有搞學(xué)術(shù)的和天才才會研究，但是近年來，隨著各種框架和庫的發(fā)展，人工智能領(lǐng)域開始變得友好，更多的技術(shù)人才開始進入到這個領(lǐng)域。

本文將著重為大家介紹10個人工智能領(lǐng)域高質(zhì)量的框架和庫，分析它們的特點，對比它們的優(yōu)缺點，幫助更多技術(shù)人加入人工智能的圈子中。

1. TensorFlow

“使用數(shù)據(jù)流圖進行可伸縮機器學(xué)習(xí)的計算。”

語言：C ++或Python。

一腳踏入人工智能領(lǐng)域時，你聽到的第一個框架可能就是Google的TensorFlow。

TensorFlow是一個使用數(shù)據(jù)流圖進行數(shù)值計算的開源軟件。據(jù)悉，這個框架允許在任何CPU或GPU上進行計算，無論是臺式機、服務(wù)器還是移動設(shè)備都支持。

TensorFlow通過稱為節(jié)點的數(shù)據(jù)層進行排序，并根據(jù)所得到的信息進行決策。

優(yōu)點：

使用易于學(xué)習(xí)的語言（Python）。

使用計算圖抽象。

可使用TensorBoard可視化。

缺點：

由于Python不是最快的編程語言，所以它速度會很慢；

預(yù)先訓(xùn)練的模型十分缺乏。

不是完全開源。

2.微軟的CNTK

“開源的深度學(xué)習(xí)工具包”

語言：C ++。

CNTK，我們可以稱之為是微軟對Google TensorFlow的回應(yīng)。

微軟的Computational Network ToolKit是一個提高模塊化和維護分離計算網(wǎng)絡(luò)，提供學(xué)習(xí)算法和模型描述的庫。

CNTK還可以同時利用多臺服務(wù)器，據(jù)說它的功能與Google TensorFlow相近，但是速度卻要更快。

優(yōu)點：

非常靈活；

允許分布式訓(xùn)練；

支持C ++、C＃、Java和Python。

缺點：

它是用一種新的語言——Network Description Language (NDL)來實現(xiàn)的；

缺乏可視化；

3. Theano

“數(shù)值計算庫”

語言：Python。

作為TensorFlow的強大競爭對手，Theano是一個強大的Python庫，允許使用高效率的多維數(shù)組進行數(shù)值操作。

該庫使用GPU來執(zhí)行數(shù)據(jù)密集型計算，因此操作效率很高。也同樣是因為這個原因，在10年的時間里，Theano都被用于為大規(guī)模的計算密集型操作提供動力。

2017年9月，Theano的開發(fā)與維護者之一 Pascal Lamblin 貼出了一封郵件：Yoshua Bengio 宣布在發(fā)布Theano 1.0版本之后，終止Theano的開發(fā)和維護。當(dāng)然，這并不意味著Theano是個不強大的庫。

優(yōu)點：

正確優(yōu)化CPU和GPU。

高效的數(shù)值計算任務(wù)。

缺點：

與其他庫相比，原始的Theano有點低級。

需要與其他庫一起使用以獲得較高的抽象級別。

在AWS上有點小麻煩。

4.Caffe

“快速，開放的深度學(xué)習(xí)框架”

語言：C ++。

Caffe是一個強大的深度學(xué)習(xí)框架。與文中的其它框架一樣，深度學(xué)習(xí)的速度非?？臁?/p>

借助Caffe，可以非常輕松地構(gòu)建用于圖像分類的卷積神經(jīng)網(wǎng)絡(luò)（CNN）。另外Caffe在GPU上也可以良好運行，這有助于在運行期間提高速度。

Caffe main classes:

優(yōu)點：

Python和MATLAB的綁定可用；

性能表現(xiàn)優(yōu)異；

無需編寫代碼即可進行模型的訓(xùn)練。

缺點：

對于遞歸網(wǎng)絡(luò)支持不好；

對于新架構(gòu)的支持不太友好；

5.Keras

對人類的深度學(xué)習(xí)

語言：Python。

Keras是一個用Python編寫的開源的神經(jīng)網(wǎng)絡(luò)庫。

與TensorFlow，CNTK和Theano不同，Keras并不是一個端到端的機器學(xué)習(xí)框架。相反，它是作為一個接口，提供高層次的抽象，讓神經(jīng)網(wǎng)絡(luò)的配置變得簡單。目前Google TensorFlow已經(jīng)支持Keras作為后端，不久之后，微軟 CNTK也會支持。

優(yōu)點：

用戶友好；

易于擴展；

在CPU和GPU上無縫運行；

與Theano和TensorFlow無縫合作。

缺點：

不能作為獨立框架有效使用。

6.Torch

“一個開源的機器學(xué)習(xí)庫”

語言：C.

Torch是一個用于科學(xué)和數(shù)值的開源機器學(xué)習(xí)庫。它是基于Lua的庫，通過提供大量的算法，更易于深入學(xué)習(xí)研究，提高了效率和速度。它有一個強大的n維數(shù)組，有助于切片和索引之類的操作。除此之外，還提供了線性代數(shù)程序和神經(jīng)網(wǎng)絡(luò)模型。

優(yōu)點：

非常靈活。

速度快，效率高。

大量的預(yù)先訓(xùn)練的模型可用。

缺點：

文檔不清晰；

沒有立即使用的即插即用代碼。

基于一種不那么流行的語言Lua。

7. Accord.NET

“機器學(xué)習(xí)，計算機視覺，統(tǒng)計和.NET通用科學(xué)計算”。

語言：C＃。

這是為C#程序員準備的。

Accord.NET框架是一個.NET機器學(xué)習(xí)框架，使得音頻和圖像處理變得簡單。

這個框架可以有效地處理數(shù)值優(yōu)化、人工神經(jīng)網(wǎng)絡(luò)，甚至是可視化。除此之外，Accord.NET對計算機視覺和信號處理功能非常強大，同時也使得算法的實現(xiàn)變得簡單。

優(yōu)點：

它擁有一個龐大而活躍的開發(fā)團隊；

非常有據(jù)可查的框架；

可視化質(zhì)量高。

缺點：

不是一個非常流行的框架；

速度比TensorFlow慢。

8. Spark MLlib

“可擴展的機器學(xué)習(xí)庫”

語言：Scala

Apache Spark MLlib是一個可擴展的機器學(xué)習(xí)庫，適用于Java、Scala、Python、R語言等多種語言。因為可以與Python庫和R庫中的numpy進行互操作，所以非常高效。

MLlib可以輕松插入到Hadoop工作流程中，提供了機器學(xué)習(xí)算法，如分類，回歸和聚類。

這個強大的庫在處理大型數(shù)據(jù)時非?？焖?。

優(yōu)點：

對于大規(guī)模數(shù)據(jù)處理非?？焖?。

支持多種語言。

缺點：

陡峭的學(xué)習(xí)曲線。

即插即用僅適用于Hadoop。

9. Sci-kit Learn

“Python中的機器學(xué)習(xí)”

語言：Python。

Sci-kit Learn是一個非常強大的機器學(xué)習(xí)Python庫，主要用于構(gòu)建模型。

它使用其他庫(如numpy、SciPy和matplotlib)構(gòu)建，對于統(tǒng)計建模技術(shù)(如分類、回歸和集群)非常有效。Sci-kit Learn的特性包括監(jiān)督學(xué)習(xí)算法、無監(jiān)督學(xué)習(xí)算法和交叉驗證

優(yōu)點：

許多主要算法的可用性。

高效的數(shù)據(jù)挖掘。

缺點：

不是最好的構(gòu)建模型。

GPU效率不高。

10. MLPack

“可擴展的C ++機器學(xué)習(xí)庫”

語言：C ++。

MLPack是一個用C ++實現(xiàn)的可擴展的機器學(xué)習(xí)庫。因為它是用C ++編寫的，所以我們可以合理猜測它對內(nèi)存管理是非常好的。

MLPack以極快的速度運行，因為高質(zhì)量的機器學(xué)習(xí)算法與庫一起運行，而且它對于新手是非常友好的，并且提供了一個簡單的API使用。

優(yōu)點：

可擴展；

Python和C ++綁定可用。

缺點：

文檔不是很友好。

寫在最后

本文推薦的庫都是經(jīng)得起時間檢驗的，像是Facebook、Google、Apple和Microsoft等一些大公司都在他們的深度學(xué)習(xí)和機器學(xué)習(xí)項目中應(yīng)用這些庫，所以你還有什么道理不抓緊時間來學(xué)習(xí)呢？

如果你有經(jīng)常使用并且感覺還不錯的庫，也歡迎在下方評論中與我們分享！