本文将着重为大家先容10个人工智能领域高质量的框架和库，剖析它们的特点，比拟它们的优缺陷，帮助更多技能人加入人工智能的圈子中。

1. TensorFlow

“利用数据流图进行可伸缩机器学习的打算。
”

措辞：C ++或Python。

一脚踏入人工智能领域时，你听到的第一个框架可能便是Google的TensorFlow。

TensorFlow是一个利用数据流图进行数值打算的开源软件。
据悉，这个框架许可在任何CPU或GPU上进行打算，无论是台式机、做事器还是移动设备都支持。

TensorFlow通过称为节点的数据层进行排序，并根据所得到的信息进行决策。

优点：

利用易于学习的措辞（Python）。

利用打算图抽象。

可利用TensorBoard可视化。

缺陷：

由于Python不是最快的编程措辞，以是它速率会很慢；

预先演习的模型十分缺少。

不是完备开源。

2.微软的CNTK

“开源的深度学习工具包”

措辞：C ++。

CNTK，我们可以称之为是微软对Google TensorFlow的回应。

微软的Computational Network ToolKit是一个提高模块化和掩护分离打算网络，供应学习算法和模型描述的库。

CNTK还可以同时利用多台做事器，听说它的功能与Google TensorFlow附近，但是速率却要更快。

优点：

非常灵巧；

许可分布式演习；

支持C ++、C＃、Java和Python。

缺陷：

它是用一种新的措辞——Network Description Language (NDL)来实现的；

缺少可视化；

3. Theano

“数值打算库”

措辞：Python。

作为TensorFlow的强大竞争对手，Theano是一个强大的Python库，许可利用高效率的多维数组进行数值操作。

该库利用GPU来实行数据密集型打算，因此操作效率很高。
也同样是由于这个缘故原由，在10年的韶光里，Theano都被用于为大规模的打算密集型操作供应动力。

2017年9月，Theano的开拓与掩护者之一 Pascal Lamblin 贴出了一封邮件：Yoshua Bengio 宣告在发布Theano 1.0版本之后，终止Theano的开拓和掩护。
当然，这并不虞味着Theano是个不强大的库。

优点：

精确优化CPU和GPU。

高效的数值打算任务。

缺陷：

与其他库比较，原始的Theano有点低级。

须要与其他库一起利用以得到较高的抽象级别。

在AWS上有点小麻烦。

4.Caffe

“快速，开放的深度学习框架”

措辞：C ++。

Caffe是一个强大的深度学习框架。
与文中的其它框架一样，深度学习的速率非常快。

借助Caffe，可以非常轻松地构建用于图像分类的卷积神经网络（CNN）。
其余Caffe在GPU上也可以良好运行，这有助于在运行期间提高速率。

Caffe main classes:

优点：

Python和MATLAB的绑定可用；

性能表现精良；

无需编写代码即可进行模型的演习。

缺陷：

对付递归网络支持不好；

对付新架构的支持不太友好；

5.Keras

对人类的深度学习

措辞：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并不是一个端到真个机器学习框架。
相反，它是作为一个接口，供应高层次的抽象，让神经网络的配置变得大略。
目前Google TensorFlow已经支持Keras作为后端，不久之后，微软 CNTK也会支持。

优点：

用户友好；

易于扩展；

在CPU和GPU上无缝运行；

与Theano和TensorFlow无缝互助。

缺陷：

不能作为独立框架有效利用。

6.Torch

“一个开源的机器学习库”

措辞：C.

Torch是一个用于科学和数值的开源机器学习库。
它是基于Lua的库，通过供应大量的算法，更易于深入学习研究，提高了效率和速率。
它有一个强大的n维数组，有助于切片和索引之类的操作。
除此之外，还供应了线性代数程序和神经网络模型。

优点：

非常灵巧。

速率快，效率高。

大量的预先演习的模型可用。

缺陷：

文档不清晰；

没有立即利用的即插即用代码。

基于一种不那么盛行的措辞Lua。

7. Accord.NET

“机器学习，打算机视觉，统计和.NET通用科学打算”。

措辞：C＃。

这是为C#程序员准备的。

Accord.NET框架是一个.NET机器学习框架，使得音频和图像处理变得大略。

这个框架可以有效地处理数值优化、人工神经网络，乃至是可视化。
除此之外，Accord.NET对打算机视觉和旗子暗记处理功能非常强大，同时也使得算法的实现变得大略。

优点：

它拥有一个弘大而生动的开拓团队；

非常有据可查的框架；

可视化质量高。

缺陷：

不是一个非常盛行的框架；

速率比TensorFlow慢。

8. Spark MLlib

“可扩展的机器学习库”

措辞：Scala

Apache Spark MLlib是一个可扩展的机器学习库，适用于Java、Scala、Python、R措辞等多种措辞。
由于可以与Python库和R库中的numpy进行互操作，以是非常高效。

MLlib可以轻松插入到Hadoop事情流程中，供应了机器学习算法，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：

对付大规模数据处理非常快速。

支持多种措辞。

缺陷：

陡峭的学习曲线。

即插即用仅适用于Hadoop。

9. Sci-kit Learn

“Python中的机器学习”

措辞：Python。

Sci-kit Learn是一个非常强大的机器学习Python库，紧张用于构建模型。

它利用其他库(如numpy、SciPy和matplotlib)构建，对付统计建模技能(如分类、回归和集群)非常有效。
Sci-kit Learn的特性包括监督学习算法、无监督学习算法和交叉验证

优点：

许多紧张算法的可用性。

高效的数据挖掘。

缺陷：

不是最好的构建模型。

GPU效率不高。

10. MLPack

“可扩展的C ++机器学习库”

措辞：C ++。

MLPack是一个用C ++实现的可扩展的机器学习库。
由于它是用C ++编写的，以是我们可以合理预测它对内存管理是非常好的。

MLPack以极快的速率运行，由于高质量的机器学习算法与库一起运行，而且它对付新手是非常友好的，并且供应了一个大略的API利用。

优点：

可扩展；

Python和C ++绑定可用。

缺陷：

文档不是很友好。

写在末了

本文推举的库都是经得起韶光考验的，像是Facebook、Google、Apple和Microsoft等一些大公司都在他们的深度学习和机器学习项目中运用这些库，以是你还有什么道理不抓紧韶光来学习呢？

如果你有常常利用并且觉得还不错的库，也欢迎不才方评论中与我们分享！