人工智能(AI)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一个完整的书 呆子和天才的领域,但由于各种开发库和框架的发展,它已经成为一个友好的IT领域,并有很多人正走进它。
在这篇文章中,我们将研究用于人工智能的优质库,它们的优缺点以及它们的一些特征。让我们深入并探索这些人工智能库的世界!
1. TensorFlow
____________________________________________________________
“使用数据流图表的可伸缩机器学习的计算”
____________________________________________________________
语言:C ++或Python。
当进入AI时,你会听到的第一个框架之一就是Google的TensorFlow。
TensorFlow是一个使用数据流图表进行数值计算的开源软件。这个框架被称为具有允许在任何CPU或GPU上进行计算的架构,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对称为节点的数据层进行排序,并根据所获得的任何信息做出决定。点击查看详情!
优点:
使用易于学习的语言(Python)。
使用计算图表抽象。
用于TensorBoard的可用性的可视化。
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. Microsoft 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增强分离计算网络模块化和维护的库,提供学习算法和模型描述。
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,它会更快。在这里 了解更多。
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:
它以一种新的语言——网络描述语言(Network Description Language , NDL)来实现。
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。
Theano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已经被用于为大规模的计算密集型操作提供动力大约十年。
然而,在2017年9月,宣布Theano的主要开发将于2017年11月发布的1.0版本后停止。
这并不意味着它是一个不够强大的库。你仍然可以随时进行深入的学习研究。在这里了解更多。
优点:
正确优化CPU和GPU。
有效的数字任务。
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化。
AWS上有点bug。
4. Caffe
____________________________________________________________
“快速、开源的深度学习框架”
____________________________________________________________
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,您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。查看主页获取更多信息。
Caffe主要的类有:
优点:
Python和MATLAB的绑定可用。
性能表现良好。
无需编写代码即可进行模型的训练。
缺点:
对于经常性网络不太好。
新体系结构不太好。
5. Keras
____________________________________________________________
“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化,这使得无论它坐落在哪个框架上,神经网络的配置都会变得容易。
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。在这里了解更多。
优点:
它是用户友好的。
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编程语言而非Python的库。
Torch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。点击查看详情!
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:
不清楚的文献记录。
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#。
这是专为C#程序员设计的。
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的功能非常强大,同时 也使得算法的实现变得简单。检查主页面。
优点:
它有一个强大而积极的开发团队。
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是一个非常可扩展的机器学习库。
它非常适用于诸如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
____________________________________________________________
“用Python的机器学习”
____________________________________________________________
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带有监督学习算法、无监督学习算法和交叉验证等功能。点击查 看详情!
优点:
许多主要算法的可用性。
有效的数据挖掘。
缺点:
不是构建模型的最佳选择。
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的,并提供了一个简单的API使用。点击查看详情!
优点:
非常可扩展。
Python和C ++绑定可用。
缺点:
不是最好的文献记录。