（點(diǎn)擊上方公眾號(hào)，可快速關(guān)注）

編譯：伯樂(lè)在線-飛哥的咖啡，英文：dashbouquet

盡管人工智能（AI ）已經(jīng)存在很長(zhǎng)時(shí)間了，但因?yàn)檫@一領(lǐng)域取得的巨大進(jìn)步，它最近成為了一個(gè)流行詞。

AI 曾被認(rèn)為是狂熱愛(ài)好者和天才的專屬領(lǐng)域，但由于各種庫(kù)和框架的蓬勃發(fā)展，它慢慢成為了一個(gè)不那么排外的 IT 領(lǐng)域，并吸引了大量的人才投入其中。

在本文中，我們將介紹那些用于 AI 開發(fā)的高質(zhì)量庫(kù)，并談?wù)勊鼈兊膬?yōu)缺點(diǎn)，以及特性。

現(xiàn)在，讓我們進(jìn)入并探索 AI 庫(kù)的世界吧。

TensorFlow：“使用數(shù)據(jù)流程圖對(duì)可拓展的機(jī)器學(xué)習(xí)進(jìn)行計(jì)算”

語(yǔ)言：C++

84 725 ★

初接觸 AI 時(shí)，你聽(tīng)說(shuō)的首批框架應(yīng)該包含了谷歌的 TensorFlow。

TensorFlow 是一個(gè)使用數(shù)據(jù)流程圖進(jìn)行數(shù)值計(jì)算的開源軟件。這個(gè)不錯(cuò)的框架因其架構(gòu)而聞名，它允許在任何 CPU 或 GPU 上進(jìn)行計(jì)算，不管是桌面、服務(wù)器，還是移動(dòng)設(shè)備。它可在 Python 編程語(yǔ)言中使用。

TensorFlow 主要是通過(guò)數(shù)據(jù)層進(jìn)行排序，而我們可以調(diào)用節(jié)點(diǎn)，并根據(jù)所得到的信息進(jìn)行決策。

優(yōu)點(diǎn)：

使用簡(jiǎn)單易學(xué)的語(yǔ)言，如 Python。

使用計(jì)算圖進(jìn)行抽象。

可以使用 TensorBoard 獲得可視化。

缺點(diǎn)：

運(yùn)行速度慢，因?yàn)?Python 不是最快的語(yǔ)言。

缺乏許多預(yù)訓(xùn)練的模型。

不完全開源。

Microsoft CNTK：“開源的深度學(xué)習(xí)工具包”

語(yǔ)言：C++

13 516 ★

我們是否可以將它看作是微軟對(duì)谷歌 TensorFlow 的回應(yīng)？

微軟的CNTK（計(jì)算網(wǎng)絡(luò)工具包）是一個(gè)用來(lái)增強(qiáng)模塊化和保持計(jì)算網(wǎng)絡(luò)分離的庫(kù)，提供學(xué)習(xí)算法和模型描述。

在需要大量服務(wù)器進(jìn)行計(jì)算的情況下，CNTK 可以同時(shí)利用多臺(tái)服務(wù)器。

據(jù)說(shuō) CNTK 在功能上接近谷歌的 TensorFlow，但速度比對(duì)方要快一些。

優(yōu)點(diǎn)：

高度靈活。

允許分布式訓(xùn)練。

支持 C++、C#、Java 和 Python。

缺點(diǎn)：

它由一種新的語(yǔ)言——NDL（網(wǎng)絡(luò)描述語(yǔ)言）實(shí)現(xiàn)。

缺乏可視化。

Theano：“數(shù)值計(jì)算庫(kù)”

語(yǔ)言：Python

7 550 ★

作為 TensorFlow 的強(qiáng)有力競(jìng)爭(zhēng)對(duì)手，Theano 是一個(gè)強(qiáng)大的 Python 庫(kù)，它允許使用高效多維數(shù)組進(jìn)行數(shù)值計(jì)算。

它不使用 CPU，而是透明地使用 GPU，用于數(shù)據(jù)密集型計(jì)算，所以效率很高。

因此，在大約 10 年內(nèi)，Theano 一直被用于大規(guī)模的數(shù)據(jù)密集型計(jì)算。

然而，在 2017 年 9 月 28 日當(dāng)日，開發(fā)團(tuán)隊(duì)宣稱，將在 2017 年 11 月 15 日發(fā)布 1.0 版后，停止對(duì)它的主要開發(fā)。

但這并沒(méi)有削弱它的強(qiáng)大實(shí)力，你仍可以使用它，隨時(shí)進(jìn)行深入學(xué)習(xí)的研究。

優(yōu)點(diǎn)：

對(duì) CPU 和 GPU 進(jìn)行了適當(dāng)優(yōu)化。

高效的數(shù)值計(jì)算任務(wù)。

缺點(diǎn)：

與其他庫(kù)相比，原始的 Theano 有點(diǎn)兒低級(jí)。

需要與其他庫(kù)一起使用，以獲得較高級(jí)的抽象。

在 AWS 上使用有點(diǎn)小 Bug。

Caffe：“應(yīng)對(duì)深入學(xué)習(xí)的快速開放架構(gòu)”

語(yǔ)言：C++

22 111 ★

Caffe 是一個(gè)強(qiáng)大的深度學(xué)習(xí)框架。

和這個(gè)列表中的其他框架一樣，它對(duì)于深入學(xué)習(xí)的研究而言，是非常快速和有效的。

使用 Caffe，你可以輕易地構(gòu)建一個(gè)用于圖像分類的 CNN（卷積神經(jīng)網(wǎng)絡(luò)）。它在 GPU 上運(yùn)行良好，使得運(yùn)行速度非常快。

上圖是 Caffe 的主類。

優(yōu)點(diǎn)：

可以與 Python 和 MATLAB 綁定使用。

高性能。

無(wú)需編寫代碼，即可訓(xùn)練模型。

缺點(diǎn)：

對(duì)遞歸網(wǎng)絡(luò)支持不好。

對(duì)新架構(gòu)來(lái)說(shuō)不是很好。

Keras：“針對(duì)人類的深度學(xué)習(xí)”

語(yǔ)言：Python

23 711 ★

Keras 是一個(gè)用 Python 編寫的開源神經(jīng)網(wǎng)絡(luò)庫(kù)。

不似TensorFlow、CNTK、Theano、Keras 這種端到端（End-to-End）的機(jī)器學(xué)習(xí)框架，

相反，它是一個(gè)接口，提供了高層次的抽象，使得神經(jīng)網(wǎng)絡(luò)的配置變得更加簡(jiǎn)單，而不必考慮所在的框架。

谷歌的 TensorFlow 目前支持 Keras 作為后端，而微軟的 CNTK 也將在短時(shí)間內(nèi)獲得支持。

優(yōu)點(diǎn)：

它對(duì)用戶友好，易于上手。

高度拓展。

可以在 CPU 或 GPU 上無(wú)縫運(yùn)行。

完美兼容 Theano 和 TensorFlow。

缺點(diǎn)：

不能有效地作為一個(gè)獨(dú)立的框架來(lái)使用。

Torch：“開源機(jī)器學(xué)習(xí)庫(kù)”

語(yǔ)言：C

7 584 ★

Torch 是一個(gè)用于科學(xué)計(jì)算和數(shù)值計(jì)算的開源機(jī)器學(xué)習(xí)庫(kù)。

它是一個(gè)基于 Lua 編程語(yǔ)言（終于不再是 Python）的庫(kù)。

通過(guò)提供大量算法，使得深入學(xué)習(xí)的研究更加容易，并提高了效率和速度。它有一個(gè)強(qiáng)大的 N 維數(shù)組，幫助進(jìn)行類似切片和索引這樣的計(jì)算，并提供線性代數(shù)程序和神經(jīng)網(wǎng)絡(luò)模型。官網(wǎng)：http://torch.ch/

優(yōu)點(diǎn)：

高度靈活。

速度快，效率高。

大量的預(yù)訓(xùn)練模型可用。

缺點(diǎn)：

說(shuō)明文檔不夠清晰。

缺乏立即使用的即插即用代碼。

它基于一個(gè)不怎么流行的編程語(yǔ)言 Lua。

Accord.NET：針對(duì) .NET 的機(jī)器學(xué)習(xí)、計(jì)算機(jī)視覺(jué)、統(tǒng)計(jì)學(xué)和通用科學(xué)計(jì)算

語(yǔ)言：C＃

2 424 ★

這是為 C# 程序員準(zhǔn)備的。

Accord.NET 框架是一個(gè) .NET 機(jī)器學(xué)習(xí)框架，使得音頻和圖像的處理變得更加簡(jiǎn)單。

該框架可以有效地解決數(shù)值優(yōu)化、人工神經(jīng)網(wǎng)絡(luò)，甚至給出了可視化的特征。此外，Accord.NET 對(duì)計(jì)算機(jī)視覺(jué)和信號(hào)處理具有強(qiáng)大的功能，并且易于算法實(shí)現(xiàn)。

優(yōu)點(diǎn)：

它擁有一個(gè)龐大且活躍的開發(fā)團(tuán)隊(duì)。

說(shuō)明文檔非常不錯(cuò)。

高質(zhì)量的可視化。

缺點(diǎn)：

這不是一個(gè)非常流行的框架。

與 TensorFlow 相比，速度慢

Spark MLlib：可擴(kuò)展的機(jī)器學(xué)習(xí)庫(kù)

語(yǔ)言：Scala

15 708 ★

Apache 的 Spark MLlib 是一個(gè)具有高度拓展性的機(jī)器學(xué)習(xí)庫(kù)。

它在 Java、Scala、Python 甚至 R 語(yǔ)言中都非常有用，因?yàn)樗褂?Python 和 R 中類似 Numpy 這樣的庫(kù)，能夠進(jìn)行高效的交互。

MLlib 可以很容易地插入 Hadoop 工作流程中。它提供了機(jī)器學(xué)習(xí)算法，如分類、回歸、聚類等。

這個(gè)強(qiáng)大的庫(kù)在處理大規(guī)模的數(shù)據(jù)時(shí)，速度非?？?。

優(yōu)點(diǎn)：

對(duì)于大規(guī)模數(shù)據(jù)處理來(lái)說(shuō)，非常快。

可用于多種語(yǔ)言。

缺點(diǎn)：

陡峭的學(xué)習(xí)曲線。

僅 Hadoop 支持即插即用。

Sci-Kit Learn：“Python 中的機(jī)器學(xué)習(xí)”

語(yǔ)言：Python

24 369 ★

Sci-kit learn 是一個(gè)針對(duì)機(jī)器學(xué)習(xí)的強(qiáng)大 Python 庫(kù)，主要用于構(gòu)建模型。

使用諸如 Numpy、SciPy 和 Matplotlib 等其他庫(kù)構(gòu)建，對(duì)于統(tǒng)計(jì)建模技術(shù)（如分類、回歸、集群等）非常有效。

Sci-Kit learn的特性包括監(jiān)督式學(xué)習(xí)算法、非監(jiān)督式學(xué)習(xí)算法和交叉驗(yàn)證。

優(yōu)點(diǎn)：

可以使用許多 shell 算法。

高效的數(shù)據(jù)挖掘。

缺點(diǎn)：

不是最好的模型構(gòu)建庫(kù)。

GPU 使用不高效。

MLPack：“可擴(kuò)展的 C++ 機(jī)器學(xué)習(xí)庫(kù)”

語(yǔ)言：C++

1 856 ★

MLPack 是一個(gè)使用 C++ 實(shí)現(xiàn)的可擴(kuò)展的機(jī)器學(xué)習(xí)庫(kù)。在 C++ 中，你可以猜到，它的內(nèi)存管理非常出色。

擁有高質(zhì)量的機(jī)器學(xué)習(xí)算法與庫(kù)，MLPack 的運(yùn)行速度非?？?。它對(duì)新手十分友好，因?yàn)樗峁┝艘粋€(gè)可供使用的簡(jiǎn)單 API。

優(yōu)點(diǎn)：

高度拓展。

可以與 Python 和 C++ 綁定。

缺點(diǎn)：

說(shuō)明文檔不夠清晰。

總結(jié)

本文所討論的庫(kù)都非常高效，并經(jīng)過(guò)了時(shí)間的考驗(yàn)，質(zhì)量上乘。五大巨頭 Facebook、谷歌、雅虎、蘋果、微軟都在使用這些庫(kù)進(jìn)行深度學(xué)習(xí)和機(jī)器學(xué)習(xí)項(xiàng)目。

你有什么理由不用哪？