介紹用于 AI 開發(fā)的高質(zhì)量庫，并談?wù)勊鼈兊膬?yōu)缺點，以及特性

（點擊上方公眾號，可快速關(guān)注）

編譯：伯樂在線-飛哥的咖啡，英文：dashbouquet

盡管人工智能（AI ）已經(jīng)存在很長時間了，但因為這一領(lǐng)域取得的巨大進(jìn)步，它最近成為了一個流行詞。

AI 曾被認(rèn)為是狂熱愛好者和天才的專屬領(lǐng)域，但由于各種庫和框架的蓬勃發(fā)展，它慢慢成為了一個不那么排外的 IT 領(lǐng)域，并吸引了大量的人才投入其中。

在本文中，我們將介紹那些用于 AI 開發(fā)的高質(zhì)量庫，并談?wù)勊鼈兊膬?yōu)缺點，以及特性。

現(xiàn)在，讓我們進(jìn)入并探索 AI 庫的世界吧。

TensorFlow：“使用數(shù)據(jù)流程圖對可拓展的機器學(xué)習(xí)進(jìn)行計算”

語言：C++

84 725 ★

初接觸 AI 時，你聽說的首批框架應(yīng)該包含了谷歌的 TensorFlow。

TensorFlow 是一個使用數(shù)據(jù)流程圖進(jìn)行數(shù)值計算的開源軟件。這個不錯的框架因其架構(gòu)而聞名，它允許在任何 CPU 或 GPU 上進(jìn)行計算，不管是桌面、服務(wù)器，還是移動設(shè)備。它可在 Python 編程語言中使用。

TensorFlow 主要是通過數(shù)據(jù)層進(jìn)行排序，而我們可以調(diào)用節(jié)點，并根據(jù)所得到的信息進(jìn)行決策。

優(yōu)點：

使用簡單易學(xué)的語言，如 Python。

使用計算圖進(jìn)行抽象。

可以使用 TensorBoard 獲得可視化。

缺點：

運行速度慢，因為 Python 不是最快的語言。

缺乏許多預(yù)訓(xùn)練的模型。

不完全開源。

Microsoft CNTK：“開源的深度學(xué)習(xí)工具包”

語言：C++

13 516 ★

我們是否可以將它看作是微軟對谷歌 TensorFlow 的回應(yīng)？

微軟的CNTK（計算網(wǎng)絡(luò)工具包）是一個用來增強模塊化和保持計算網(wǎng)絡(luò)分離的庫，提供學(xué)習(xí)算法和模型描述。

在需要大量服務(wù)器進(jìn)行計算的情況下，CNTK 可以同時利用多臺服務(wù)器。

據(jù)說 CNTK 在功能上接近谷歌的 TensorFlow，但速度比對方要快一些。

優(yōu)點：

高度靈活。

允許分布式訓(xùn)練。

支持 C++、C#、Java 和 Python。

缺點：

它由一種新的語言——NDL（網(wǎng)絡(luò)描述語言）實現(xiàn)。

缺乏可視化。

Theano：“數(shù)值計算庫”

語言：Python

7 550 ★

作為 TensorFlow 的強有力競爭對手，Theano 是一個強大的 Python 庫，它允許使用高效多維數(shù)組進(jìn)行數(shù)值計算。

它不使用 CPU，而是透明地使用 GPU，用于數(shù)據(jù)密集型計算，所以效率很高。

因此，在大約 10 年內(nèi)，Theano 一直被用于大規(guī)模的數(shù)據(jù)密集型計算。

然而，在 2017 年 9 月 28 日當(dāng)日，開發(fā)團(tuán)隊宣稱，將在 2017 年 11 月 15 日發(fā)布 1.0 版后，停止對它的主要開發(fā)。

但這并沒有削弱它的強大實力，你仍可以使用它，隨時進(jìn)行深入學(xué)習(xí)的研究。

優(yōu)點：

對 CPU 和 GPU 進(jìn)行了適當(dāng)優(yōu)化。

高效的數(shù)值計算任務(wù)。

缺點：

與其他庫相比，原始的 Theano 有點兒低級。

需要與其他庫一起使用，以獲得較高級的抽象。

在 AWS 上使用有點小 Bug。

Caffe：“應(yīng)對深入學(xué)習(xí)的快速開放架構(gòu)”

語言：C++

22 111 ★

Caffe 是一個強大的深度學(xué)習(xí)框架。

和這個列表中的其他框架一樣，它對于深入學(xué)習(xí)的研究而言，是非?？焖俸陀行У?。

使用 Caffe，你可以輕易地構(gòu)建一個用于圖像分類的 CNN（卷積神經(jīng)網(wǎng)絡(luò)）。它在 GPU 上運行良好，使得運行速度非?？?。

上圖是 Caffe 的主類。

優(yōu)點：

可以與 Python 和 MATLAB 綁定使用。

高性能。

無需編寫代碼，即可訓(xùn)練模型。

缺點：

對遞歸網(wǎng)絡(luò)支持不好。

對新架構(gòu)來說不是很好。

Keras：“針對人類的深度學(xué)習(xí)”

語言：Python

23 711 ★

Keras 是一個用 Python 編寫的開源神經(jīng)網(wǎng)絡(luò)庫。

不似TensorFlow、CNTK、Theano、Keras 這種端到端（End-to-End）的機器學(xué)習(xí)框架，

相反，它是一個接口，提供了高層次的抽象，使得神經(jīng)網(wǎng)絡(luò)的配置變得更加簡單，而不必考慮所在的框架。

谷歌的 TensorFlow 目前支持 Keras 作為后端，而微軟的 CNTK 也將在短時間內(nèi)獲得支持。

優(yōu)點：

它對用戶友好，易于上手。

高度拓展。

可以在 CPU 或 GPU 上無縫運行。

完美兼容 Theano 和 TensorFlow。

缺點：

不能有效地作為一個獨立的框架來使用。

Torch：“開源機器學(xué)習(xí)庫”

語言：C

7 584 ★

Torch 是一個用于科學(xué)計算和數(shù)值計算的開源機器學(xué)習(xí)庫。

它是一個基于 Lua 編程語言（終于不再是 Python）的庫。

通過提供大量算法，使得深入學(xué)習(xí)的研究更加容易，并提高了效率和速度。它有一個強大的 N 維數(shù)組，幫助進(jìn)行類似切片和索引這樣的計算，并提供線性代數(shù)程序和神經(jīng)網(wǎng)絡(luò)模型。官網(wǎng)：http://torch.ch/

優(yōu)點：

高度靈活。

速度快，效率高。

大量的預(yù)訓(xùn)練模型可用。

缺點：

說明文檔不夠清晰。

缺乏立即使用的即插即用代碼。

它基于一個不怎么流行的編程語言 Lua。

Accord.NET：針對 .NET 的機器學(xué)習(xí)、計算機視覺、統(tǒng)計學(xué)和通用科學(xué)計算

語言：C＃

2 424 ★

這是為 C# 程序員準(zhǔn)備的。

Accord.NET 框架是一個 .NET 機器學(xué)習(xí)框架，使得音頻和圖像的處理變得更加簡單。

該框架可以有效地解決數(shù)值優(yōu)化、人工神經(jīng)網(wǎng)絡(luò)，甚至給出了可視化的特征。此外，Accord.NET 對計算機視覺和信號處理具有強大的功能，并且易于算法實現(xiàn)。

優(yōu)點：

它擁有一個龐大且活躍的開發(fā)團(tuán)隊。

說明文檔非常不錯。

高質(zhì)量的可視化。

缺點：

這不是一個非常流行的框架。

與 TensorFlow 相比，速度慢

Spark MLlib：可擴展的機器學(xué)習(xí)庫

語言：Scala

15 708 ★

Apache 的 Spark MLlib 是一個具有高度拓展性的機器學(xué)習(xí)庫。

它在 Java、Scala、Python 甚至 R 語言中都非常有用，因為它使用 Python 和 R 中類似 Numpy 這樣的庫，能夠進(jìn)行高效的交互。

MLlib 可以很容易地插入 Hadoop 工作流程中。它提供了機器學(xué)習(xí)算法，如分類、回歸、聚類等。

這個強大的庫在處理大規(guī)模的數(shù)據(jù)時，速度非?？?。

優(yōu)點：

對于大規(guī)模數(shù)據(jù)處理來說，非?？?。

可用于多種語言。

缺點：

陡峭的學(xué)習(xí)曲線。

僅 Hadoop 支持即插即用。

Sci-Kit Learn：“Python 中的機器學(xué)習(xí)”

語言：Python

24 369 ★

Sci-kit learn 是一個針對機器學(xué)習(xí)的強大 Python 庫，主要用于構(gòu)建模型。

使用諸如 Numpy、SciPy 和 Matplotlib 等其他庫構(gòu)建，對于統(tǒng)計建模技術(shù)（如分類、回歸、集群等）非常有效。

Sci-Kit learn的特性包括監(jiān)督式學(xué)習(xí)算法、非監(jiān)督式學(xué)習(xí)算法和交叉驗證。

優(yōu)點：

可以使用許多 shell 算法。

高效的數(shù)據(jù)挖掘。

缺點：

不是最好的模型構(gòu)建庫。

GPU 使用不高效。

MLPack：“可擴展的 C++ 機器學(xué)習(xí)庫”

語言：C++

1 856 ★

MLPack 是一個使用 C++ 實現(xiàn)的可擴展的機器學(xué)習(xí)庫。在 C++ 中，你可以猜到，它的內(nèi)存管理非常出色。

擁有高質(zhì)量的機器學(xué)習(xí)算法與庫，MLPack 的運行速度非常快。它對新手十分友好，因為它提供了一個可供使用的簡單 API。

優(yōu)點：

高度拓展。

可以與 Python 和 C++ 綁定。

缺點：

說明文檔不夠清晰。

總結(jié)

本文所討論的庫都非常高效，并經(jīng)過了時間的考驗，質(zhì)量上乘。五大巨頭 Facebook、谷歌、雅虎、蘋果、微軟都在使用這些庫進(jìn)行深度學(xué)習(xí)和機器學(xué)習(xí)項目。

你有什么理由不用哪？