在很長一段時間內，人工智能都被認為是陽春白雪的科技技術，只有搞學術的和天才才會研究，但是近年來，隨著各種框架和庫的發展，人工智能領域開始變得友好，更多的技術人才開始進入到這個領域。

本文將著重為大家介紹10個人工智能領域高質量的框架和庫，分析它們的特點，對比它們的優缺點，幫助更多技術人加入人工智能的圈子中。

1. TensorFlow

“使用數據流圖進行可伸縮機器學習的計算。”

　　語言：C ++或Python。

一腳踏入人工智能領域時，你聽到的第一個框架可能就是Google的TensorFlow。

TensorFlow是一個使用數據流圖進行數值計算的開源軟件。據悉，這個框架允許在任何CPU或GPU上進行計算，無論是臺式機、服務器還是移動設備都支持。

TensorFlow通過稱為節點的數據層進行排序，并根據所得到的信息進行決策。

　　優點：

使用易于學習的語言（Python）。

使用計算圖抽象。

可使用TensorBoard可視化。

缺點：

由于Python不是最快的編程語言，所以它速度會很慢；

預先訓練的模型十分缺乏。

不是完全開源。

2.微軟的CNTK

“開源的深度學習工具包”

　　語言：C ++。

CNTK，我們可以稱之為是微軟對Google TensorFlow的回應。

微軟的Computational Network ToolKit是一個提高模塊化和維護分離計算網絡，提供學習算法和模型描述的庫。

CNTK還可以同時利用多臺服務器，據說它的功能與Google TensorFlow相近，但是速度卻要更快。

　　優點：

非常靈活；

允許分布式訓練；

支持C ++、C＃、Java和Python。

缺點：

它是用一種新的語言——Network Description Language (NDL)來實現的；

缺乏可視化；

3. Theano

“數值計算庫”

　　語言：Python。

作為TensorFlow的強大競爭對手，Theano是一個強大的Python庫，允許使用高效率的多維數組進行數值操作。

該庫使用GPU來執行數據密集型計算，因此操作效率很高。也同樣是因為這個原因，在10年的時間里，Theano都被用于為大規模的計算密集型操作提供動力。

2017年9月，Theano的開發與維護者之一 Pascal Lamblin 貼出了一封郵件：Yoshua Bengio 宣布在發布Theano 1.0版本之后，終止Theano的開發和維護。當然，這并不意味著Theano是個不強大的庫。

　　優點：

正確優化CPU和GPU。

高效的數值計算任務。

缺點：

與其他庫相比，原始的Theano有點低級。

需要與其他庫一起使用以獲得較高的抽象級別。

在AWS上有點小麻煩。

4.Caffe

“快速，開放的深度學習框架”

語言：C ++。

Caffe是一個強大的深度學習框架。與文中的其它框架一樣，深度學習的速度非?？臁?/p>

借助Caffe，可以非常輕松地構建用于圖像分類的卷積神經網絡（CNN）。另外Caffe在GPU上也可以良好運行，這有助于在運行期間提高速度。

Caffe main classes:

優點：

Python和MATLAB的綁定可用；

性能表現優異；

無需編寫代碼即可進行模型的訓練。

缺點：

對于遞歸網絡支持不好；

對于新架構的支持不太友好；

5.Keras

對人類的深度學習

語言：Python。

Keras是一個用Python編寫的開源的神經網絡庫。

與TensorFlow，CNTK和Theano不同，Keras并不是一個端到端的機器學習框架。相反，它是作為一個接口，提供高層次的抽象，讓神經網絡的配置變得簡單。目前Google TensorFlow已經支持Keras作為后端，不久之后，微軟 CNTK也會支持。

　　優點：

用戶友好；

易于擴展；

在CPU和GPU上無縫運行；

與Theano和TensorFlow無縫合作。

缺點：

不能作為獨立框架有效使用。

6.Torch

“一個開源的機器學習庫”

語言：C.

Torch是一個用于科學和數值的開源機器學習庫。它是基于Lua的庫，通過提供大量的算法，更易于深入學習研究，提高了效率和速度。它有一個強大的n維數組，有助于切片和索引之類的操作。除此之外，還提供了線性代數程序和神經網絡模型。

　　優點：

非常靈活。

速度快，效率高。

大量的預先訓練的模型可用。

缺點：

文檔不清晰；

沒有立即使用的即插即用代碼。

基于一種不那么流行的語言Lua。

7. Accord.NET

“機器學習，計算機視覺，統計和.NET通用科學計算”。

語言：C＃。

這是為C#程序員準備的。

Accord.NET框架是一個.NET機器學習框架，使得音頻和圖像處理變得簡單。

這個框架可以有效地處理數值優化、人工神經網絡，甚至是可視化。除此之外，Accord.NET對計算機視覺和信號處理功能非常強大，同時也使得算法的實現變得簡單。

　　優點：

它擁有一個龐大而活躍的開發團隊；

非常有據可查的框架；

可視化質量高。

缺點：

不是一個非常流行的框架；

速度比TensorFlow慢。

8. Spark MLlib

“可擴展的機器學習庫”

語言：Scala

Apache Spark MLlib是一個可擴展的機器學習庫，適用于Java、Scala、Python、R語言等多種語言。因為可以與Python庫和R庫中的numpy進行互操作，所以非常高效。

MLlib可以輕松插入到Hadoop工作流程中，提供了機器學習算法，如分類，回歸和聚類。

這個強大的庫在處理大型數據時非?？焖佟?/p>

　　優點：

對于大規模數據處理非?？焖佟?/p>

支持多種語言。

缺點：

陡峭的學習曲線。

即插即用僅適用于Hadoop。

9. Sci-kit Learn

“Python中的機器學習”

語言：Python。

Sci-kit Learn是一個非常強大的機器學習Python庫，主要用于構建模型。

它使用其他庫(如numpy、SciPy和matplotlib)構建，對于統計建模技術(如分類、回歸和集群)非常有效。Sci-kit Learn的特性包括監督學習算法、無監督學習算法和交叉驗證

優點：

許多主要算法的可用性。

高效的數據挖掘。

缺點：

不是最好的構建模型。

GPU效率不高。

10. MLPack

“可擴展的C ++機器學習庫”

語言：C ++。

MLPack是一個用C ++實現的可擴展的機器學習庫。因為它是用C ++編寫的，所以我們可以合理猜測它對內存管理是非常好的。

MLPack以極快的速度運行，因為高質量的機器學習算法與庫一起運行，而且它對于新手是非常友好的，并且提供了一個簡單的API使用。

　　優點：

可擴展；

Python和C ++綁定可用。

缺點：

文檔不是很友好。

寫在最后

本文推薦的庫都是經得起時間檢驗的，像是Facebook、Google、Apple和Microsoft等一些大公司都在他們的深度學習和機器學習項目中應用這些庫，所以你還有什么道理不抓緊時間來學習呢？

如果你有經常使用并且感覺還不錯的庫，也歡迎在下方評論中與我們分享！