【51CTO.com快譯】人工智能絕非新鮮事物，而早已存在于科學領(lǐng)域之內(nèi)。然而隨著這一領(lǐng)域近年來的迅猛發(fā)展，目前人工智能已經(jīng)在全球范圍內(nèi)掀起熱潮。以往的人工智能領(lǐng)域被稱為書***與天才的集散地，但如今隨著各類資源庫及框架的發(fā)展，其正逐步成為一類更為友好的IT范疇，并吸引更多普通人士加入其中。

在今天的文章中，我們將審視那些用于人工智能開發(fā)的高質(zhì)量資源庫，分析其優(yōu)點與劣勢，同時就部分特性展開討論。下面，馬上開始探索這片人工智能資源庫的世界！

1. TensorFlow

“利用數(shù)據(jù)量圖計算實現(xiàn)可擴展機器學習。”

語言: C++或Python。 在初涉AI領(lǐng)域時，大家聽說的首款框架幾乎必然是谷歌公司的TensorFlow。 TensorFlow是一款開源軟件，利用數(shù)據(jù)流圖進行數(shù)值計算。這套框架據(jù)稱擁有一套可運行在任何CPU或GPU之上的計算架構(gòu)——包括臺式機、服務器或者移動設備。另外，這套框架亦可在Python編程語言當中使用。 TensorFlow對被稱為節(jié)點的數(shù)據(jù)層進行排序，并根據(jù)所獲得的任意信息作出決策。

優(yōu)點：

• 使用易于學習的語言（Python）。
• 使用計算圖抽象機制。
• 可配合TensorBoard實現(xiàn)可視化。

劣勢：

• 速度較慢，這主要是受到Python語言的影響。
• 缺少充足的預訓練模型。
• 并非完全開源。

2. 微軟 CNTK

“一套開源深度學習工具集。”

語言： C++. 我們可以將CNTK稱為微軟的TensorFlow。 微軟的這套計算網(wǎng)絡工具集是一套能夠強化各獨立計算網(wǎng)絡的模塊化與維護能力的資源庫，同時提供學習算法與模型描述。 與此同時，CNTK還能夠發(fā)揮多服務器優(yōu)勢，從而更好地利用大量資源處理任務。

據(jù)稱其功能與谷歌的TensorFlow非常相似，只是其速度要更快一些。

優(yōu)點：

• ***靈活性。
• 允許進行分布式訓練。
• 支持C++、C#、Java以及Python。

劣勢：

• 其采用一種新型語言實現(xiàn)，即網(wǎng)絡描述語言（簡稱NDL）。
• 缺少可視化能力。

3. Theano

“一款數(shù)值計算庫”。

[[217451]]

語言： Python。

Theano堪稱TensorFlow的一位強有力競爭對手，這是一套功能強大的Python庫，允許以高效方式進行與多維數(shù)組相關(guān)的數(shù)值運算。 這套庫以透明化方式利用GPU（而非CPU）執(zhí)行數(shù)據(jù)密集型計算，因此運算效率很高。正因為如此，Theano早在約十年之前就已經(jīng)被引入至大規(guī)模計算密集型任務當中。 然而，2017年9月開發(fā)團隊宣布Theano的主要開發(fā)工作將于2017年11月1.0版本發(fā)布后正式停止。

當然，這一切都不足以影響Theano本身那強大的表現(xiàn)。您仍可隨時利用其開展自己的深度學習研究工作。

優(yōu)點：

• 針對CPU與GPU進行了適當優(yōu)化。
• 在數(shù)值運算任務方面效率可觀。

劣勢：

• 與其它資源庫相比，Theano顯得較為原始且底層。
• 需要利用其它庫才能獲得高級抽象能力。
• 在AWS上運行時存在一點bug。

4. Caffe

“快速且開放的深度學習框架。” 語言： C++。 Caffe是一款強大的深度學習框架。 與本份清單上列出的其它框架選項一樣，Caffe同樣擁有極為出色的深度學習研究速度與效率。 利用Caffe，您能夠非常輕松地構(gòu)建起卷積神經(jīng)網(wǎng)絡（簡稱CNN）以實現(xiàn)圖像分類。Caffe能夠在GPU上運行良好，從而顯著提升運行期間的速度表現(xiàn)。

Caffe主類：

優(yōu)點：

• 提供Python與MATLAB綁定。
• 強大的性能表現(xiàn)。
• 可在無需編寫代碼的前提下進行模型訓練。

劣勢：

• 遞歸網(wǎng)絡較差。
• 對新架構(gòu)支持效果一般。

5. Keras

“適合人類的深度學習方案。” 語言： Python。 Keras是一套由Python編寫而成的開源神經(jīng)網(wǎng)絡庫。 與TensorFLow、CNTK乃至Theano不同，Keras并不屬于端到端機器學習框架。 相反，其作為一個接口面向各類其它框架提供高層級抽象，從而使得神經(jīng)網(wǎng)絡的配置變得更為簡單。

谷歌公司的TensorFlow目前支持將Keras作為后端，而微軟的CNTK亦將很快提供同樣的支持選項。

優(yōu)點：

• 具備用戶友好特性。
• 易于擴展。
• 可同時在CPU與GPU上無縫運行。
• 能夠以無縫方式同Theano及TensorFlow協(xié)作。

劣勢： 無法作為獨立框架加以使用。

6. Torch

“一套開源機器學習庫。” 語言： C。 Torch是一套用于科學及數(shù)值運算的開源機器學習庫。 這是一套基于——不是Python了哦——Lua編程語言的庫。 通過提供數(shù)量龐大的算法選項，其顯著簡化了深度學習研究的門檻并提升了效率與速度。Torch擁有一個強大的N維數(shù)組，可幫助用戶輕松完成分片及索引等操作。其還提供多種線性代數(shù)例程與神經(jīng)網(wǎng)絡模型。

優(yōu)點：

• ***靈活性。
• 可觀的速度及效率。
• 提供大量預訓練模型。

劣勢：

• 說明文檔不夠清晰。
• 缺少可立即使用的即插即用代碼。
• 基于Lua這種不太流行的語言。

7. Accord.NET

“面向.NET的機器學習、計算機視覺、統(tǒng)計以及通用科學計算。” 語言： C#。 這是一份專門獻給C#程序員的厚禮。 Accord.NET框架是一套.NET機器學習框架，可輕松完成音頻與圖像的處理。

這套框架能夠高效處理數(shù)值優(yōu)化、人工神經(jīng)網(wǎng)絡甚至是可視化任務。除此之外，Accord.NET還擅長計算機視覺與信號處理，亦可輕松實現(xiàn)各類算法。

優(yōu)點：

• 擁有龐大而活躍的開發(fā)團隊。
• 說明文檔質(zhì)量極高。
• 高質(zhì)量可視化能力。

劣勢：

• 并不算非常流行。
• 相較于TensorFlow速度更慢。

8. Spark MLlib “一套可擴展的機器學習庫。” 語言： Scala。 Apache的Spark MLlib是一套***可擴展性的機器學習庫。 其適用于Java、Scala、Python甚至是R等語言，且效率極高，能夠與Python庫及R庫中的numpy進行互操作。 MLlib能夠輕松被插入至Hadoop工作流當中。其提供多種機器學習算法，具體包括分類、回歸與聚類等等。

這套強大的庫在處理超大規(guī)模數(shù)據(jù)時速度極快。

優(yōu)點：

• 在處理超大規(guī)模數(shù)據(jù)時速度極快。
• 適用于多種語言。

劣勢：

• 擁有陡峭的學習曲線。
• 僅可面向Hadoop實現(xiàn)即插即用。

9. Sci-kit Learn

“Python中的機器學習實現(xiàn)方案。” 語言： Python。 Sci-kit learn是一套強大的Python庫，主要用于機器學習當中的模型構(gòu)建類場景。 由于利用numpy、SciPy以及matplotlib等其它庫構(gòu)建而成，因此其能夠以極高效率處理各類統(tǒng)計建模技術(shù)，具體包括分類、回歸以及聚類等。 Sci-kit learn擁有監(jiān)督學習算法、無監(jiān)督學習算法以及交叉驗證等功能。

優(yōu)點：

• 可支持多種主要算法。
• 在數(shù)據(jù)挖掘方面效率很高。

劣勢：

• 并非模型構(gòu)建的***選項。
• GPU資源利用效率不高。

10. MLPack

“一套可擴展的C++機器學習庫。” 語言： C++。 MLPack是一套以C++語言實現(xiàn)的可擴展機器學習庫。由于其以C++編寫而成，因此大家可以想見其在內(nèi)存管理方面頗有心得。 MLPack擁有出色的運行速度，這是由于該庫提供多種質(zhì)量驚人的機器學習算法。這套庫對新手非常友好，且提供簡單的API供用戶使用。

優(yōu)點：

• ***可擴展性。
• 提供Python 與C++ 綁定。

劣勢：

• 說明文檔質(zhì)量一般。

總結(jié)陳詞

本文中討論的各種庫選項皆非常高效，且已經(jīng)被時間證明擁有出色的質(zhì)量。既然Facebook、谷歌、雅虎、蘋果以及微軟等巨頭級企業(yè)都在利用這些庫支持自己的深度學習與機器學習項目，您當然也沒有理由拒絕，不是嗎？

當然，相信大家也有著一些自己經(jīng)常使用、但卻未被列入本次榜單的庫選項——請在評論中分享您的心得！

原文鏈接： https://dzone.com/articles/progressive-tools10-best-frameworks-and-libraries

【51CTO譯稿，合作站點轉(zhuǎn)載請注明原文譯者和出處為51CTO.com】