【51CTO.com快譯】人工智能絕非新鮮事物，而早已存在于科學領域之內。然而隨著這一領域近年來的迅猛發展，目前人工智能已經在全球范圍內掀起熱潮。以往的人工智能領域被稱為書***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的高質量資源庫，分析其優點與劣勢，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

“利用數據量圖計算實現可擴展機器學習。”

語言: C++或Python。 在初涉AI領域時，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，利用數據流圖進行數值計算。這套框架據稱擁有一套可運行在任何CPU或GPU之上的計算架構——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對被稱為節點的數據層進行排序，并根據所獲得的任意信息作出決策。

優點：

• 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。 微軟的這套計算網絡工具集是一套能夠強化各獨立計算網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還能夠發揮多服務器優勢，從而更好地利用大量資源處理任務。

據稱其功能與谷歌的TensorFlow非常相似，只是其速度要更快一些。

優點：

• ***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，即網絡描述語言（簡稱NDL）。
• 缺少可視化能力。

3. Theano

“一款數值計算庫”。

[[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組相關的數值運算。 這套庫以透明化方式利用GPU（而非CPU）執行數據密集型計算，因此運算效率很高。正因為如此，Theano早在約十年之前就已經被引入至大規模計算密集型任務當中。 然而，2017年9月開發團隊宣布Theano的主要開發工作將于2017年11月1.0版本發布后正式停止。

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

優點：

• 針對CPU與GPU進行了適當優化。
• 在數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建起卷積神經網絡（簡稱CNN）以實現圖像分類。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。

Caffe主類：

優點：

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

劣勢：

• 遞歸網絡較差。
• 對新架構支持效果一般。

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網絡庫。 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，從而使得神經網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例程與神經網絡模型。

優點：

• ***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值優化、人工神經網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，亦可輕松實現各類算法。

優點：

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

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模數據時速度極快。

優點：

• 在處理超大規模數據時速度極快。
• 適用于多種語言。

劣勢：

• 擁有陡峭的學習曲線。
• 僅可面向Hadoop實現即插即用。

9. Sci-kit Learn

“Python中的機器學習實現方案。” 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建類場景。 由于利用numpy、SciPy以及matplotlib等其它庫構建而成，因此其能夠以極高效率處理各類統計建模技術，具體包括分類、回歸以及聚類等。 Sci-kit learn擁有監督學習算法、無監督學習算法以及交叉驗證等功能。

優點：

• 可支持多種主要算法。
• 在數據挖掘方面效率很高。

劣勢：

• 并非模型構建的***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。

優點：

• ***可擴展性。
• 提供Python 與C++ 綁定。

劣勢：

• 說明文檔質量一般。

總結陳詞

本文中討論的各種庫選項皆非常高效，且已經被時間證明擁有出色的質量。既然Facebook、谷歌、雅虎、蘋果以及微軟等巨頭級企業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，合作站點轉載請注明原文譯者和出處為51CTO.com】