【工具】学AI必须接触的12样工具，你知道吗？

随着近年来科技的发展，人工智能的利用率也是越来越高，我们需要随时了解人工智能的哪些工具、库、平台，以及提供的功能，哪些更加适合你。下面介绍的一些AI工具、库和平台，了解它们最常见的用途、优缺点，以及一些其他的方面，可以让你轻松的选出更加适合自己的AI工具。

1.Azure机器学习

如果你没有高超的编程技能，但却很希望涉足机器学习领域，那你就不能错过Azure机器学习。它是基于云端的服务，提供的工具可用来部署预测模型作为分析解决方案。不仅如此，还可以用来测试机器学习模型等等。然而，用户界面是使用者对它的吐槽点，尤其是涉及到代码编写的时候。

2.Caffe（卷积神经网络框架）

Caffe目前已经成为深度学习的一个开源框架了，它支持各种类型的软件架构设计会议及图像分割和图像分类。

3.CNTK(计算网络工具包)

CNTK是一款深度学习的工具包，由微软开发，它可以帮助用户把不同类型的神经网络轻松地结合到一起，而且允许分布式训练，灵活度非常高。但它的源代码缺乏可视化。

4.DeepLearning4J

DeepLearning4J自称是专门适用于JVM的开源、分布式深度学习的库。它特别适于培训分布式深度学习网络，且可以整合Hadoop和Spark。此外，由于它是用Java构建的，所以必须自己手工创建显式类以便将矩阵添加到一起，而如果是用Python的话，那就不需要创建了。

5.IBM Watson

IBM Watson被称为“问答机器”， 它使用分析能力和人工智能增强human-like的能力来应对问题。另外，IBM还可以确保用户的数据得到世界级的安全保护和加密功能，而且承诺不会分享数据，除非你自己愿意。

6.Keras

Keras神经网络是一个用Python编写的开源库。如果你正在寻找哪些库可以允许用户执行快速而且简单的实验，那么选Keras就没错了。

7.PyBrain

PyBrain是一个开源的、模块化的机器学习库，它完全面向框架，且PyBrains库是由算法组成的，这些算法允许开发人员使用强化学习等概念，非监督机器学习和神经网络。

8.Scikit-learn

Scikit-learn机器学习是一个开源框架，Python有用的数据挖掘、数据分析和数据可视化。使用Python，工作速度会比较突出，然而，不适合大数据集。

9.Swift AI

Swift AI是Swift用于深度学习和神经网络的库，支持Mac机器(很快也会支持Linux)。它允许开发人员创建神经网络，创建深度学习算法和信号处理。

10.TensorFlow

TensorFlow现在已经是semi-open-source库了，它最初是用来进行深度学习神经网络和机器学习的研究。它允许开发人员进行数值计算。AI开发者可以使用TensorFlow库在模式识别方面构建和训练神经网络，但缺点是像Caffe一样，也不支持外部数据集。

11.Theano

如果你用深度学习处理，那就要处理很多数值的任务。Theano非常适合处理这些任务，例如矩阵运算、符号变量等，可以即时编译为CPU或GPU的机器代码。Theano是时间最久的深度学习库之一。

12.Torch

Torch是一个用于科学计算的开源框架，支持机器学习算法，还可以移植到iOS和Android的后端。而且它得益于脚本语言LuaJIT和底层的C/CUDA实现，LuaJIT允许开发人员用C语言与Torch进行交互。Torch已经指出一些缺点，包括从目录中加载数据是非常困难，过于依赖Lua(相对较新的语言)使不容易被使用。