在人工智能领域的前11个框架

AI曾被认为是虚构的时代已经过去。

从机器人到Google Siri再到新的Google Duplex的引入，似乎已经取得了相当大的进步，变得越来越人性化。

机器学习和AI的需求呈指数级增长。此外，由于社区的增加，一些AI框架的演进使得学习AI变得更加容易。

在本文中，我们将讨论一些最佳框架，帮助您开始进行AI开发。

Tensor Flow

来自Google家族的TensorFlow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。

TensorFlow被认为是统计程序开发的合适工具。由于提供了分布式训练，机器模型可以在用户喜欢的任何抽象级别上进行更有效的训练。

特点

• 可扩展的多编程接口，便于编程
• 具有强大的开源社区的增长驱动器
• 为用户提供广泛且文档完备的手册

优点

• TensorFlow使用的语言是目前非常流行的Python。
• 该框架具有高计算能力，因此可以在任何CPU或GPU上使用。
• 使用计算图抽象创建机器模型

缺点

• 为了做出决策或预测，该框架将输入数据通过多个节点进行传递。这可能会耗费时间。
• 它也缺乏许多AI的预训练模型。

如果您有兴趣学习TensorFlow，请查看此链接_2。

Microsoft CNTK

Microsoft CNTK是一个基于神经网络的更快、更通用的开源框架，支持文本、消息和语音重塑。

它提供了一个高效的扩展环境，通过更快的机器模型整体评估来确保准确性。

Microsoft CNTK与主要的海量数据集集成，成为Skype、Cortana等大型参与者采用的首选，具有非常表达能力和易于使用的架构。

特点

• 高度优化，提供效率、可扩展性、速度和高级集成
• 具有超参数调整、监督式学习模型、强化学习、卷积神经网络、循环神经网络等内置组件
• 利用资源，提供最佳效率。
• 拥有高效表达的自己的网络，如完整的API，包括高级和低级别的API

优点

• 由于支持Python和C++，该框架可以同时与多个服务器一起工作，从而加快学习过程。
• 它考虑到了AI世界的最新发展。Microsoft CNTK的体系结构支持GAN、RNN和CNN。
• 它允许分布式训练以有效地训练机器模型。

缺点

• 它缺乏可视化面板和移动ARM支持。

Caffe

Caffe是一个具有预加载的训练好的神经网络的深度学习网络。如果您的截止日期临近，这应该是您的首选。

这个框架以其图像处理能力而闻名，还具有MATLAB的扩展支持。

特点

• 所有模型都以明文模式编写
• 由于已经预加载，它提供了巨大的速度和高效的工作。
• 活跃的开源社区用于讨论和协作编程。

优点

• 将C、C++和Python进行互联，同时支持卷积神经网络的建模
• 由于速度快，在计算数值任务时效率高。

缺点

• Caffe不能处理复杂数据，但在处理图像的视觉处理方面相对较快。

Theano

Theano基于Python，这是一种在处理速度和响应方面经过验证的编程语言。

该框架使用GPU替代CPU，支持需要高计算能力的网络的研究，并能提供准确性。例如，计算多维数组需要高计算能力，Theano可以胜任。

特点

• 由于动态代码生成，计算表达式更快
• 即使值很小，它也提供了优秀的准确率比例。
• 单元测试是Theano的重要特性，因为它允许用户自行验证代码，并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高效支持，但需要与其他库结合使用。
• 它经过优化，可在CPU和GPU上高效运行。

缺点

• Theano的当前版本将不再更新或添加新功能。

亚马逊机器学习

作为人工智能社区的一个热门参与者，Amazon machine learning在自学工具的开发方面提供高端支持。

该框架已经在其多个服务（如AWS、S3和Amazon Redshift）中拥有现有用户群。这是亚马逊的托管服务，对模型执行三个操作：数据分析、模型训练和评估。

特点

• AWS中有适合各种经验水平的定制工具，无论是初学者、数据科学家还是开发人员
• 安全性非常重要，所以所有数据都经过加密
• 提供广泛的数据分析和理解工具
• 与所有主要数据集集成

优点

• 使用该框架时，您不需要编写大量代码。相反，它通过API让您与基于人工智能的框架进行交互。
• 常用于数据科学家、开发人员和机器学习研究人员。

缺点

• 由于整个框架都是抽象的，因此缺乏灵活性，因此如果您想选择特定的归一化或机器学习算法，则无法实现。
• 它也缺乏数据可视化功能。

Scikit-Learn

Scikit-Learn 是一个专为Machine learning构建的Python库。事实上，它是一个数据挖掘和data analysis工具的集合。

这个AI框架是建立在受欢迎的Python包（如NumPy、SciPy和matplotlib）之上的。任何人都可以在各种场景中重复使用它，包括预测性数据分析。

特点

• 它扩展了两个Python库——NumPy和SciPy。
• 基于BSD许可证，不受任何法律约束。
• 它包括AI和数据挖掘任务的聚类、回归和排序。
• 使用案例包括垃圾邮件检测、图像识别、股票定价等。

优点

• 它是一个易于使用但功能丰富的库，可用于实际应用。
• 它有一个国际在线社区的作者和贡献者，不断更新。
• 它提供详细的API文档，用于将算法与不同平台集成。

缺点

• 对于那些寻找深入学习平台的人来说，它不是最佳选择。

PyTorch

PyTorch是一个开源的AI和ML框架，可以帮助您完成各种任务，从研究原型到生产部署。该平台还使用Python和C++实现了点对点通信。

特点

• 它支持在主要云平台上无摩擦地扩展和开发。
• 它具有强大的工具和库生态系统。
• 它可以优化性能并扩展分布式训练。

优点

• 它包含许多模块化的组件，您可以轻松组合。
• 您可以编写自己的层类型。
• 它支持快速，灵活和高效的生产。

缺点

• 通常，用户需要编写自己的训练代码。
• 它没有任何商业支持。

Torch

Torch是一个支持数值运算的开源框架。它提供了许多算法，用于更快地开发深度学习网络。

它在Facebook和Twitter的AI实验室中被广泛使用。有一个基于Python的框架称为PyTorch，它被证明更简单、更可靠。

特点

• 具有许多用于索引、切片、转置的例程，并提供N维数组模型
• 主要是基于数值的优化例程，与神经网络模型配合使用
• GPU支持非常高效
• 与iOS和Andriod轻松集成

优点

• 语言和集成的灵活性非常高
• 速度和GPU利用效率很高
• 可以使用现有模型对数据进行训练。

缺点

• 文档对用户来说不太清晰，学习曲线较陡
• 缺乏即用的代码，需花费时间。
• 最初是基于一种称为Lua的编程语言的，没有多少人知道它。

Accord.Net

Accord.net是一个基于C#的框架，用于辅助开发用于音频和图像处理的神经网络。

应用程序也可以商业化使用它来生成计算机视觉应用程序、信号处理以及统计应用程序。

特点

• 成熟、经过充分测试的代码库，从2012年开始
• 提供了一套全面的示例模型和数据集，可以快速启动应用程序

优点

• 它得到一个活跃的开发团队的持续支持。
• 这个文档完整的框架可以高效地处理数值密集的计算和可视化。
• 使用这个框架可以方便地实现算法和信号处理。
• 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，它并不是非常知名。
• 与其他框架相比，性能较慢。

Apache Mahout

Apache Mahout是一个开源的框架，旨在开发可扩展的机器学习框架。它不涉及API，但可以帮助实现新的机器学习算法。

特点

• 以其数学表达能力很强的Scala DSL而闻名
• 支持多个分布式后端

优点

• 它有助于集群、协同过滤和分类。
• 它的计算操作使用的是更快的Java库。

缺点

• Python库与该框架的兼容性不如Java库。
• 其计算操作比Spark MLib慢。

Spark MLib

由Apache支持的框架，支持R、Scala、Java和Python。它可以通过Hadoop工作流加载，提供分类、回归和聚类等机器学习算法。

除了Hadoop，它还可以与云端、Apache或独立系统集成。

特点

• 高性能是其中的关键要素，据说比MapReduce快100倍
• Spark非常灵活，可以在多个计算环境中运行

优点

• 它可以快速处理大量数据，因为它使用迭代计算。
• 它支持多种语言，并且易于插入。
• 它可以轻松处理大规模的数据处理。

缺点

• 它只能与Hadoop集成。
• 在没有对该框架进行广泛工作的情况下，很难理解其机制。

AI框架比较

框架	语言	开源？	架构特点
TensorFlow	C++或Python	是	使用数据结构
Microsoft CNTK	C++	是	基于GPU/CPU。支持RNN、GNN和CNN。
Caffe	C++	是	其架构支持CNN
Theano	Python	是	灵活的架构，可以部署在任何GPU或CPU上
Amazon Machine Learning	多种语言	是	来自亚马逊，使用AWS。
Torch	Lua	是	其架构允许强大的计算。
Accord.Net	C#	是	能够进行科学计算和模式识别。
Apache Mahout	Java，Scala	是	能够使机器在无需编程的情况下学习
Spark MLib	R，Scala，Java和Python	是	驱动程序和执行程序在它们的处理器中运行-水平或垂直集群。
Scikit-Learn	Python	是	能够进行数据挖掘任务
PyTorch	Python，C++	是	支持无摩擦扩展。

希望以上内容能帮助您选择适合下一个现代应用开发的AI框架。

如果您是开发人员，并希望学习深度学习以进入人工智能领域，那么您可以考虑参加此链接的课程。