人工智能已经存在了很长时间。然而,由于该领域的巨大改进,近年来它已成为流行语。人工智能曾经被称为总体书呆子和天才的领域,但由于各种图书馆和框架的发展,它已成为一个更友好的IT领域,并有很多人进入它。
在本文中,我们将研究用于人工智能的高质量库,它们的优缺点以及它们的一些功能。让我们潜入并探索这些AI库的世界!
“使用数据流图进行可扩展机器学习的计算。”
语言:C ++或Python。
进入AI时,您会听到的第一个框架是Google的TensorFlow。
TensorFlow是一个开源软件,用于使用数据流图进行数值计算。该框架以具有允许在任何CPU或GPU上进行计算的架构而闻名,无论是桌面,服务器还是移动设备。该框架以Python编程语言提供。
TensorFlow对称为节点的数据层进行排序,并根据获取的任何信息做出决策。看看吧!
优点:
缺点:
“一个开源深度学习工具包。”
语言:C ++。
我们可以将此微软的回应称为谷歌的TensorFlow。
Microsoft的Computational Network ToolKit是一个增强模块化和维护分离计算网络的库,提供学习算法和模型描述。
在需要大量服务器进行操作的情况下,CNTK可以同时利用许多服务器。
它据说与谷歌的TensorFlow功能相近; 但是,它有点快。在这里了解更多。
优点:
缺点:
“一个数值计算库。”
语言:Python。
作为TensorFlow的强大竞争对手,Theano是一个功能强大的Python库,允许涉及具有高效率的多维数组的数值运算。
该库透明地使用GPU来执行数据密集型计算而不是CPU,从而提高了运算效率。
出于这个原因,Theano已被用于为大规模计算密集型操作提供动力大约十年。
然而,2017年9月宣布,Theano的主要开发项目将在2017年11月发布的1.0版本发布后停止。
这并不意味着它在任何方面都是一个功能较弱的库。您仍然可以随时使用它进行深度学习研究。在这里了解更多。
优点:
缺点:
“快速,开放的深度学习框架。”
语言:C ++。
Caffe是一个强大的深度学习框架。
与此列表中的其他框架一样,它对于深度学习研究来说非常快速有效。
使用Caffe,您可以非常轻松地构建用于图像分类的卷积神经网络(CNN)。Caffe在GPU上工作得很好,这有助于它在运营期间的速度。查看主页以获取更多信息。
Caffe主要课程:
优点:
缺点:
“为人类深入学习。”
语言:Python。
Keras是一个用Python编写的开源神经网络库。
与TensorFlow,CNTK和Theano不同,Keras并不是一个端到端的机器学习框架。
相反,它充当接口并提供高级抽象,这使得无论其所处的框架如何,都可以轻松配置神经网络。
谷歌的TensorFlow目前支持Keras作为后端,微软的CNTK将在很短的时间内完成相同的工作。在这里了解更多。
优点:
缺点:
“一个开源机器学习库。”
语言:C
Torch是一个用于科学和数值运算的开源机器学习库。
这是一个基于 - 不,不是Python - Lua编程语言的库。
通过提供大量算法,它可以使深度学习研究更容易,并提高效率和速度。它具有强大的N维数组,有助于切片和索引等操作。它还提供线性代数例程和神经网络模型。看看吧。
优点:
缺点:
“用于.NET的机器学习,计算机视觉,统计和通用科学计算。”
语言:C#。
这是C#程序员的一个机器学习框架。
Accord.NET框架是一个.NET机器学习框架,可以轻松实现音频和图像处理。
该框架可以有效地处理数值优化,人工神经网络甚至可视化。除此之外,Accord.NET在计算机视觉和信号处理方面也很强大,并且可以轻松实现算法。查看主页面。
优点:
缺点:
“可扩展的机器学习库。”
语言:Scala。
Apache的Spark MLlib是一个可扩展的机器学习库。
它非常适用于Java,Scala,Python甚至R等语言。它非常高效,因为它可以与库Python和R库中的numpy进行互操作。
MLlib可以轻松插入Hadoop工作流程。它提供机器学习算法,如分类,回归和聚类。
在处理大规模数据时,这个功能强大的库非常快。了解更多信息。
优点:
缺点:
“Python中的机器学习。”
语言:Python。
Sci-kit learn是一个非常强大的机器学习Python库,主要用于构建模型。
使用其他库(如numpy,SciPy和matplotlib)构建,对于统计建模技术(如分类,回归和聚类)非常有效。
Sci-kit learn具有监督学习算法,无监督学习算法和交叉验证等功能。看看吧。
优点:
缺点:
“可扩展的C ++机器学习库。”
语言:C ++。
MLPack是一个用C ++实现的可扩展的机器学习库。因为它是用C ++编写的,所以你可以猜测它对于内存管理很有用。
MLPack以极快的速度运行,因为高质量的机器学习算法与库一起出现。该库对新手友好,并提供简单的API供使用。看看吧。
优点:
缺点:
本文中讨论的库非常有效,并且随着时间的推移已经证明具有高质量。像Facebook,谷歌,雅虎,苹果和微软这样的大公司利用其中一些库进行深度学习和机器学习项目,你为什么不试试呢?
原文标题《10 Best Frameworks and Libraries for AI》
译者:February
不代表云加社区观点,更多详情请查看原文链接
本文系外文翻译,前往查看
如有侵权,请联系 cloudcommunity@tencent.com 删除。
本文系外文翻译,前往查看
如有侵权,请联系 cloudcommunity@tencent.com 删除。