[[215148]]

【51CTO.com快譯】2017年是機器學習大放異彩的一年?，F(xiàn)在開發(fā)智能模型比以往任何時候都要來得容易，這歸功于眾多公司廣泛而深入地研究和開發(fā)更新穎、更高效的工具和框架。雖然像Tensorflow、Keras、PyTorch和另一些框架作為頂級的機器學習和深度學習庫（https://datahub.packtpub.com/deep-learning/top-10-deep-learning-frameworks/）在2017年唱主角，但2018年有望成為更激動人心的一年，因為陣容強大的一批開源工具和企業(yè)工具已準備取代目前的老牌工具，或者至少一較高下。

我們在本文中介紹了有望在2018年大行其道的這樣10種工具和框架。

1.亞馬遜Sagemaker

AWS re：Invent 2017上宣布的一款重大產品就是正式發(fā)布的亞馬遜Sagemaker，這種新的框架簡化了構建機器學習模型并部署到云端的任務。

這項服務對于并不深入了解機器學習的開發(fā)人員來說非常有用，因為它為開發(fā)人員提供了一系列預先構建的開發(fā)環(huán)境，基于流行的Jupyter筆記本格式。如果數(shù)據(jù)科學家不希望花費大量時間，就可以在AWS上構建有效的機器學習系統(tǒng)，并對性能進行微調，就會發(fā)現(xiàn)這項服務大有用處。

相關鏈接：

https://datahub.packtpub.com/machine-learning/amazon-sagemaker-machine-learning-service/

2.DSSTNE

DSSTNE（通常名為Destiny）是亞馬遜提供的另一款產品，這種開源庫被用于開發(fā)機器學習模型。它的主要優(yōu)勢在于可以用來訓練和部署處理稀疏輸入的推薦模型。使用DSSTNE開發(fā)的模型經訓練后可以使用多個GPU，具有可擴展性，并針對快速性能進行了優(yōu)化。

該庫在GitHub上有近4000顆星，它是2018年值得關注的另一款工具！

相關鏈接：https://github.com/amzn/amazon-dsstne

3.Azure機器學習工作臺

早在2014年，微軟就發(fā)布了Azure機器學習工具，將機器學習和人工智能功能放到云端。不過這嚴格來說是一種純云服務。在今年9月召開的Ignite 2017大會上，微軟宣布了下一代Azure端機器學習工具，通過Azure機器學習工作臺，為眾多企業(yè)組織帶來機器學習功能。

Azure機器學習工具臺是一個跨平臺客戶軟件，它在Windows機器和蘋果機器上都可以運行。它是為想要執(zhí)行數(shù)據(jù)操縱和處理任務的數(shù)據(jù)科學家和機器學習開發(fā)人員量身打造的。它為確?？蓴U展性而構建，用戶可以從一系列廣泛的數(shù)據(jù)源獲得直觀的洞察力，并用于數(shù)據(jù)建模任務。

相關鏈接：https://azure.microsoft.com/en-in/services/machine-learning-services/

4.Neon

早在2016年，英特爾宣布斥資3.5億美元收購Nervana，打算成為人工智能市場的大玩家。Nervana是一家人工智能初創(chuàng)公司，一直在為機器學習開發(fā)軟硬件。有了Neon，他們現(xiàn)在擁有一個快速、高性能的深度學習框架，專門為了在最近宣布的Nervana神經網絡處理器上運行而設計。

Neon在設計當初力求易于使用，并支持與iPython筆記本集成，它支持常見的深度學習模型，比如CNN、RNN、LSTM及其他模型。該框架顯示出日臻完善的跡象，在GitHub上有3000多顆星。Neon勢必會在未來幾年挑戰(zhàn)幾大深度學習庫。

相關鏈接：https://github.com/NervanaSystems/neon

5.微軟DMLT

企業(yè)在機器學習方面面臨的主要挑戰(zhàn)之一是，需要迅速擴展模型，在盡量減少資源使用的同時，又不犧牲性能。微軟的分布式機器學習框架（DMLT）旨在做到這一點。DMLT由微軟開放源代碼，那樣它可以從社區(qū)獲得更廣泛的支持。它讓機器學習開發(fā)人員和數(shù)據(jù)科學家拿來單機器算法后可以擴大其規(guī)模，進而構建高性能分布式模型。

DMLT主要專注于分布式機器學習算法，讓你可以輕松地執(zhí)行諸如字嵌入、采樣和梯度提升之類的任務。該框架目前還不支持對深度學習模型進行訓練，不過我們預計這項功能很快就會被添加到該框架中。

相關鏈接：http://www.dmtk.io/

6.谷歌云機器學習引擎

云機器學習引擎被認為是谷歌主要的機器學習產品，它讓你可以比較輕松地針對各種各樣的數(shù)據(jù)來構建機器學習模型。該平臺充分利用流行的Tensorflow機器學習框架，可用于執(zhí)行大規(guī)模預測分析。它還讓你可以使用流行的HyperTune功能，對機器學習模型的性能進行微調和優(yōu)化。

由于無服務器架構支持自動監(jiān)控、配置和擴展，機器學習引擎確保你只需要為想要訓練哪種機器學習模型而操心。這項功能尤其適用于期望外出時可以構建大規(guī)模模型的機器學習開發(fā)人員。

相關鏈接：https://cloud.google.com/ml-engine/

7.蘋果Core ML

Core ML框架由蘋果開發(fā)，旨在幫助iOS開發(fā)人員構建更智能的應用程序，它是讓Siri更智能的秘訣。它充分利用CPU的功能和GPU的功能，讓開發(fā)人員得以構建不同類型的機器學習和深度學習模型，然后這些模型可以無縫集成到iOS應用程序中。Core ML支持所有常用的機器學習算法，比如決策樹、支持向量機和線性模型等等。

Core ML的功能針對實際環(huán)境的諸多使用場合，比如自然語言處理和計算機視覺等，因而外出時可以在蘋果設備上分析數(shù)據(jù)，無需導入到模型來學習。

相關鏈接：https://developer.apple.com/machine-learning/

8.蘋果Turi Create

在許多情況下，iOS開發(fā)人員想要定制希望集成到所開發(fā)的應用程序中的機器學習模型。為此，蘋果推出了Turi Create。該庫讓你得以專注于手頭的任務，而不是決定使用哪種算法。那樣就可以在數(shù)據(jù)集、模型需要運行的規(guī)模以及需要將模型部署到哪個平臺方面做到很靈活。

Turi Create用起來很方便，可用于為推薦、圖像處理、文本分類及眾多任務構建自定義模型。你只需要對Python有所了解，即可上手！

相關鏈接：https://github.com/apple/turicreate

9.Convnetjs

深度學習不僅僅出現(xiàn)在超級計算機和機器集群上，現(xiàn)在它還切實出現(xiàn)在你的互聯(lián)網瀏覽器上！現(xiàn)在你使用流行的基于Javascript的Convnetjs庫，就可以直接在瀏覽器上訓練先進的機器學習和深度學習模型，不需要CPU或GPU。

該庫最初由特斯拉公司的現(xiàn)任人工智能主管安德烈•卡帕錫（Andrej Karpathy）編寫，此后被開源，在社區(qū)的積極貢獻下有所擴展。你可以直接在瀏覽器上輕松訓練深度神經網絡，甚至訓練強化學習模型，這有賴于這個非常獨特而有用的庫提供支持。這個庫適合不想購買專業(yè)硬件來訓練計算密集型模型的那些人。Convnetjs在GitHub上有近9000顆星，它儼然是2017年的明星項目之一，迅速成為深度學習方面的首選庫。

相關鏈接：http://cs.stanford.edu/people/karpathy/convnetjs/

10.BigML

BigML是一家知名的機器學習公司，為開發(fā)機器學習模型提供了一個易于使用的平臺。使用BigML的REST API，你可以在其平臺上順暢無阻地訓練機器學習模型。它讓你可以執(zhí)行不同的任務，比如異常檢測和時間序列預測，還可以構建執(zhí)行實時預測分析的應用程序。

借助BigML，你可以在本地或在云端部署模型，可以靈活地選擇運行機器學習模型所需要的那種環(huán)境。BigML恪守承諾，力求“使機器學習對每個人而言都異常簡單”。

由于微軟、亞馬遜和谷歌都競相成為人工智能領域的霸主，2018年可能會是人工智能領域發(fā)展迎來突破的一年。除此之外還有旨在為用戶簡化機器學習的各種開源庫，還有一大堆的工具和框架需要密切關注。令人興奮的是，它們都有能力成為下一個TensorFlow，帶來下一場AI顛覆。

相關鏈接：https://bigml.com/

原文標題：10 Machine Learning Tools to watch in 2018，作者：Amey Varangaonkar

【51CTO譯稿，合作站點轉載請注明原文譯者和出處為51CTO.com】