拿下这些AI库和框架 年终奖怕是要翻倍
|
【资讯】人工智能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是属于书呆子和天才的领域，但由于各种库和框架的发展，它已经成为一个相对“友好”的IT领域，并且已经有很多人参与其中。 在这篇文章中，我们将研究用于人工智能的优质库，它们的优缺点以及一些特征。让我们潜入并探索这些人工智能库的世界！ 1. TensorFlow “使用数据流图计算可伸缩机器学习”。 语言：C ++或Python。 当初步接触AI时，你可能会听到的第一个框架就是Google的TensorFlow。 TensorFlow是一个使用数据流图进行数值计算的开源软件。这个框架以拥有允许在任何CPU或GPU上进行计算的架构而闻名，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通过称为节点的数据层进行排序，并根据所获得的信息做出决定。 优点： ·使用易于学习的语言（Python）。 ·使用计算图抽象。 ·用于可视化的TensorBoard的可用性。 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.微软的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提高计算网络模块化和维护分离计算网络，提供学习算法和模型描述的库。 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，它的速度更快。 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： ·一种网络描述语言（NDL）来实现的新的语言。 ·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。 该库透明地使用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已经为大规模的计算密集型操作提供动力大约十年。 然而，于2017年9月，宣布Theano的主要发展可能会停止于2017年11月公布1.0版本后。 这并不意味着它是一个不太强大的库，它仍然值得深入学习。 优点： 正确优化CPU和GPU。 高效的数值计算任务。 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级别。 AWS上有点小bug。 4.Caffe “快速，开放的深度学习框架” 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，你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。 Caffe主要类别： 优点： Python和MATLAB的绑定可用。 性能强大。 无需编写代码即可进行模型训练。 缺点： 对于复发性网络不好。 对于新体系架构来说不够好 5.Keras “针对人类的深度学习” 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，这使得不管它的框架是什么，神经网络的配置都比较简单。 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。 优点： 它是用户友好型。 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编程语言的库。 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。 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： 不清楚的文件。 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＃。 这就是为C＃程序员准备的。 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具有非常强大的功能，同时也使得算法的实现变得简单。 优点： 它有一个庞大而活跃的开发团队。 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是一个可扩展的机器学习库。 它非常适用于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 “在Python中进行机器学习” 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监督学习算法、无监督学习算法和交叉验证等功能。 优点： 许多主要算法的可用性。 有效的数据挖掘。 缺点： 不是建筑模型的最佳选择。 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，并提供了一个简单的API使用。
优点： 可扩展。 Python和C ++绑定可用。 缺点： 不是最好的文档。 本文讨论的库非常有效质量较高。像Facebook、谷歌、雅虎、苹果和微软等大公司都在利用这些库进行一些深度学习和机器学习项目。那么你为什么不能呢？ （编辑：晋中站长网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
