6个常用的机器学习框架

从Google DeepMind的人工智能 AlphaGo称霸了围棋界开始，越来越多的企业进军了人工智能(AI)领域。腾讯推出腾讯觅影，将运用于医疗诊断。百度则宣布开发无人驾驶车辆 。

刚刚结束的7月4日的百度AI开发者大会（Baidu Create 2018），备受关注的百度无人驾驶车登上各大新闻头条。百度展示的L4级无人驾驶巴士“阿波龙”标志着百度的无人驾驶技术迈进了量产化时代。

人工智能（AI）听起来像是未来，但人工智能正逐渐成为我们日常生活中的一部分。

人工智能（AI）、机器学习（machine learning）和深度学习（deep learning）这三者经常出现在一起，但实际上这三者并不是同一回事 。它们之间类似于同心圆般的从属关系。

人工智能是最早出现的，其次是机器学习，稍晚一点；最内侧，是深度学习，当今人工智能大爆炸的核心驱动。

机器学习(Machine Learning, ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。

要运用机器学习，就要选择框架并建立模型。下面是6个机器学习的框架介绍：

1.Amazon Machine Learning（AML）是一种让各种级别使用机器学习技术的开发人员可轻松掌握的一个服务，提供了视觉工具和向导，可以指导您在不必学习复杂的机器学习算法和技术的情况下建立机器学习。

2.Azure ML Studio允许微软Azure的用户创建和训练模型，随后将这些模型转化为能被其他服务使用的API。尽管您可以将自己的Azure存储链接到更大模型的服务，但是每个账户模型数据的存储容量最多不超过10GB。在Azure中有大量的算法可供使用，这要感谢微软和一些第三方。甚至你都不需要注册账号，就可以匿名登录，使用Azure ML Studio服务长达8小时。

3.Caffe是由伯克利视觉学习中心(BLVC)和社区贡献者们基于BSD-2-协议开发的一个深度学习框架，它秉承“表示、效率和模块化”的开发理念。模型和组合优化通过配置而不是硬编码实现，并且用户可根据需要在CPU处理和GPU处理之间进行切换，Caffe的高效性使其在实验研究和产业部署中的表现很完美，使用单个NVIDIA K40 GPU处理器每天即可处理超过六千万张图像 。

4.Scikit-Learn为了数学和科学工作，基于现有的几个Python包（Numpy，SciPy和matplotlib）拓展了Python的使用范围。最终生成的库既可用于交互式工作台应用程序，也可嵌入到其他软件中进行复用。该工具包基于BSD协议，是完全免费开源的，可重复利用。Scikit-Learn中含有多种用于机器学习任务的工具，如聚类，分类，回归等。Scikit-Learn是由拥有众多开发者和机器学习专家的大型社区开发的，因此，Scikit-Learn中最前沿的技术往往会在很短时间内被开发出来。

SK-Learn

5.TensorFlow是一个使用数据流图进行数值运算的开源软件库，它实现了数据流图，其中，张量（“tensors”）可由一系列图形描述的算法来处理，数据在该系统中的变化被称为“流”，由此而得名。数据流可用C++或Python编码后在CPU或GPU的设备上运行。

TensorFlow

6.Torch是一种广泛支持把GPU放在首位的机器学习算法的科学计算框架。由于使用了简单快速的脚本语言LuaJIT和底层的C/CUDA来实现，使得该框架易于使用且高效。Torch目标是让你通过极其简单的过程、最大的灵活性和速度建立自己的科学算法。Torch是基于Lua开发的，拥有一个庞大的生态社区驱动库包设计机器学习、计算机视觉、信号处理，并行处理，图像，视频，音频和网络等。