人工智能世界的9大框架热门推荐 _资源合集

本文概述

Tensor Flow
Microsoft CNTK
Caffe
Theano
Amazon机器学习
Torch
Accord.Net
Apache Mahout
Spark MLib

人工智能被认为是虚构的时代已经一去不复返了。
从机器人到Google Siri, 再到新的Google Duplex的推出, 人工智能似乎已经取得了长足的进步, 变得越来越人性化。
对机器学习和AI的需求呈指数增长。此外, 社区本身也因此增加了, 这导致了一些AI框架的发展, 这些框架使学习AI变得更加容易。
在本文中, 我们将讨论一些最佳框架, 以帮助你开始进行AI开发。
Tensor Flow

文章图片
Tensor Flow来自Google家族, 被证明是一个强大的开源框架, 支持深度学习, 甚至可以从移动设备访问。
Tensor Flow被认为是用于统计程序开发的合适工具。由于它提供了分布式训练, 因此可以在用户喜欢的任何抽象级别上更有效地训练机器模型。
特征

可扩展的多重编程界面, 易于编程
强大的增长动力, 强大的开源社区
为人们提供广泛且文档齐全的手册

【人工智能世界的9大框架热门推荐】优点

Tensor Flow使用的语言是Python, 它在当今非常流行。
该框架具有很高的计算能力。因此, 它可以在任何CPU或GPU上使用。
使用计算图抽象来创建机器模型

缺点

为了做出决定或预测, 框架将输入数据通过多个节点传递。这可能很耗时。
它还缺少许多AI的预训练模型。

Microsoft CNTK

文章图片
Microsoft CNTK是一种基于神经网络的更快, 通用的开源框架, 该神经网络支持文本, 消息和语音重塑。
由于对机器模型进行了更快的整体评估, 同时又保证了准确性, 因此它提供了有效的缩放环境。
Microsoft CNTK与主要的海量数据集集成在一起, 使其成为Skype, Cortana等大型公司采用的领先选择, 并且具有易于表达的易于使用的体系结构。
特征

高度优化以提供效率, 可扩展性, 速度和高级集成
具有内置组件, 例如超参数调整, 监督学习模型, 强化, CNN, RNN等。
资源被利用以提供最佳效率。
可以高效表达的自有网络, 例如高级和低级的完整API

优点

由于该框架支持Python和C ++, 因此可以同时与多个服务器一起使用, 从而使学习过程更快。
考虑到AI世界的最新发展而开发。 Microsft CNTK的体系结构支持GAN, RNN和CNN。
它允许进行分布式培训来有效地训练机器模型。

缺点

它缺少可视化板和移动ARM支持。

Caffe

文章图片
Caffe是深度学习网络, 它与预先加载的一组经过训练的神经网络一起提供。如果你的截止日期临近, 这应该是你的首选。
以其图像处理功能而闻名, 该框架还扩展了对MATLAB的支持。
特征

其所有模型均以纯文本模式编写
由于已经预先加载, 因此可以提供巨大的速度和高效的工作。
一个活跃的开源社区, 用于讨论和协作代码。

优点

互连C, C ++和Python, 它还支持CNN(卷积神经网络)的建模
由于其速度快, 因此在计算数字任务时效率很高。

缺点

Caffe无法处理复杂数据, 但是在处理图像的视觉处理时相对较快。

Theano

文章图片
该框架使用GPU代替CPU, 支持深度学习研究, 并能够为需要高计算能力的网络提供准确性。例如, 多维数组的计算需要高功率, 而Theano能够做到。
Theano基于python, 这是一种经过验证的编程语言, 可以实现更快的处理和响应。
特征

由于动态代码生成, 表达式的求值速度更快
即使值很小, 也能提供极好的精度。
单元测试是Theano的重要功能, 因为它允许用户自我验证其代码以及轻松检测和诊断错误。

优点

Theano为所有数据密集型应用程序提供了有效的支持, 但需要与其他库结合使用。
针对CPU和GPU进行了有效的优化

缺点

Theano的当前版本将没有更多更新或添加功能。

Amazon机器学习

文章图片
作为AI社区的新加入者, Amazon机器学习为自学习工具的开发提供了高端支持。
该框架已经在其多种服务(例如AWS, S3和Amazon Redshift)中拥有现有的用户群。这是Amazon的一项托管服务, 对模型执行了三个操作, 分别是数据分析, 模型训练和评估。
特征

即使你是初学者, 数据科学家或开发人员, 也可以针对AWS的各个级别的体验量身定制工具
安全至关重要, 因此所有数据均已加密
提供用于数据分析和理解的广泛工具
与所有主要数据集的整合

优点

你无需使用此框架编写大量代码。相反, 它使你可以通过API与基于AI的框架进行交互。
数据科学家, 开发人员和ML研究人员通常使用。

缺点

它缺乏灵活性, 因为整个框架都是抽象的, 因此, 如果你想选择特定的规范化或机器学习算法, 则不能。
它还缺乏数据可视化。

Torch

文章图片
Torch是可以支持数字运算的开源框架。它提供了许多算法, 可加快深度学习网络的发展速度。
它在Facebook和Twitter的AI实验室中得到广泛使用。有一个称为PyTorch的基于python的框架, 事实证明它更简单, 更可靠。
特征

具有许多例程, 可使用N维数组模型进行索引, 切片和转置
存在优化例程, 主要是基于神经网络模型的数字
GPU支持非常高效
与iOS和Andriod轻松集成

优点

在语言和集成方面具有很高的灵活性
高水平的速度和GPU利用率
已有模型可用于训练数据。

缺点

文档对用户不是很清楚, 因此呈现了更陡峭的学习曲线
缺少立即使用的代码, 因此需要时间。
它最初是基于一种称为Lua的编程语言, 并且很少有人知道它。

Accord.Net

文章图片
Accord.net是基于C＃的框架, 可帮助开发用于音频和图像处理的神经网络。
应用程序也可以在商业上使用它来产生计算机视觉应用程序, 信号处理以及统计应用程序。
特征

成熟, 经过良好测试的代码库, 始于2012年
提供全面的样本模型和数据集, 以快速启动你的应用程序

优点

它由一个活跃的开发团队不断支持。
这个文档齐全的框架可有效处理数字密集型计算和可视化
利用该框架可以方便地执行算法和信号处理。
它可以轻松处理数值优化和人工神经网络。

缺点

与其他框架相比, 它不是很为人所知。
与其他框架相比, 其性能较慢。

Apache Mahout Apache Mahout是一个开放源代码框架, 旨在开发可伸缩的机器学习框架。它不处理API, 但可以帮助数据科学家和工程师实施新的机器学习算法。

文章图片
特征

以Scala DSL闻名, 它在数学上非常具有表现力
将支持扩展到分布式的多个后端。

优点

它有助于聚类, 协作过滤和分类。
它的计算操作使用Java库, 速度更快。

缺点

在此框架下, Python库不如Java库兼容。
它的计算操作比Spark MLib慢。

Spark MLib R, Scala, Java和Python支持Apache的Spark MLib框架。可以将其与Hadoop工作流一起加载, 以提供机器学习算法, 例如分类, 回归和聚类。
除了Hadoop, 它还可以与云, Apache甚至独立系统集成。
特征

高性能是关键要素之一, 据说比MapReduce快100倍
Spark具有多种用途, 可在多种计算环境中运行

优点

由于它可以进行迭代计算, 因此可以快速处理大量数据。
它有多种语言版本, 并且易于插入。
它轻松地循环进行大规模数据处理。

缺点

它只能插入Hadoop。
没有同一个框架的大量工作, 很难理解这个框架的机制。

AI框架比较

构架	语言	开源？	建筑特色
Tensor Flow	C ++或Python	是	使用数据结构
Microsoft CNTK	C ++	是	基于GPU / CPU。它支持RNN, GNN和CNN。
Caffe	C ++	是	它的架构支持CNN
Theano	python	是	灵活的架构使其可以部署在任何GPU或CPU中
Amazon机器学习	多种语言	是	来自亚马逊, 它使用AWS。
Torch	拿	是	它的体系结构允许强大的计算。
Accord.Net	C#	是	能够进行科学计算和模式识别。
Apache Mahout	Java, Scala	是	无需编程即可使机器学习
Spark MLib	R, Scala, Java和Python	是	驱动程序和执行程序在其处理器中运行。水平或垂直群集。