拿下这些AI库和框架 年末奖怕是要翻倍
|
【资讯】人工智能已经存在很长时刻了。然而，因为这一规模的庞大前进，连年来它已成为一个风行语。人工智能曾经被称为是属于书白痴和天才的规模，但因为各类库和框架的成长，它已经成为一个相对“友爱”的IT规模，而且已经有许多人参加个中。 在这篇文章中，我们将研究用于人工智能的优质库，它们的优弱点以及一些特性。让我们潜入并试探这些人工智能库的天下！ 1. TensorFlow “行使数据流图计较可伸缩呆板进修”。 说话：C ++或Python。 当起源打仗AI时，你也许会听到的第一个框架就是Google的TensorFlow。 TensorFlow是一个行使数据流图举办数值计较的开源软件。这个框架以拥有应承在任何CPU或GPU长举办计较的架构而有名，无论是台式机、处事器照旧移动装备。这个框架在Python编程说话中是可用的。 TensorFlow通过称为节点的数据层举办排序，并按照所得到的信息做出抉择。 利益： ·行使易于进修的说话（Python）。 ·行使计较图抽象。 ·用于可视化的TensorBoard的可用性。 弱点： ·这很慢，由于Python不是说话中最快的。 ·缺乏很多预先实习的模子。 ·不完全开源。 2.微软的CNTK “开源深度进修器材包”。 说话：C ++。 我们可以称之为微软对Google的TensorFlow的回应。 微软的计较收集器材包是一个进步计较收集模块化和维护疏散计较收集，提供进修算法和模子描写的库。 在必要大量处事器举办操纵的环境下，CNTK可以同时操作多台处事器。 听说它的成果与Google的TensorFlow临近; 可是，它的速率更快。 利益： ·这长短常机动的。 ·应承漫衍式实习。 ·支持C ++，C＃，Java和Python。 弱点： ·一种收集描写说话（NDL）来实现的新的说话。 ·缺乏可视化。 3. Theano “数值计较库”
说话：Python。 Theano是TensorFlow的强有力竞争者，是一个成果强盛的Python库，应承以高服从的方法举办涉及多维数组的数值操纵。 该库透明地行使GPU来执行数据麋集型计较而不是CPU，因此操纵服从很高。 出于这个缘故起因，Theano已经为大局限的计较麋集型操纵提供动力约莫十年。 然而，于2017年9月，公布Theano的首要成长也许会遏制于2017年11月发布1.0版本后。 这并不料味着它是一个不太强盛的库，它如故值得深入进修。 利益： 正确优化CPU和GPU。 高效的数值计较使命。 弱点： 与其他库对比，原生Theano有点初级。 必要与其他库一路行使以得到高度的抽象级别。 AWS上有点小bug。 4.Caffe “快速，开放的深度进修框架” 说话：C ++。 Caffe是一个强盛的深度进修框架。 像这个清单上的其他框架一样，深度进修的研究速率很是快。 借助Caffe，你可以很是轻松地构建用于图像分类的卷积神经收集（CNN）。 Caffe在GPU上运行精采，这有助于在运行时代进步速率。 Caffe首要种别： 利益： Python和MATLAB的绑定可用。 机能强盛。 无需编写代码即可举办模子实习。 弱点： 对付复发性收集欠好。 对付新系统架构来说不足好 5.Keras “针对人类的深度进修” 说话：Python。 Keras是一个用Python编写的开源的神经收集库。 与TensorFlow、CNTK和Theano差异，Keras不是一个端到端的呆板进修框架。 相反，它作为一个接口，提供了一个高条理的抽象，这使得不管它的框架是什么，神经收集的设置都较量简朴。 谷歌的TensorFlow今朝支持Keras作为后端，而微软的CNTK也会在很短的时刻内做到这一点。 利益： 它是用户友爱型。 它很轻易扩展。 在CPU和GPU上无缝运行。 与Theano和TensorFlow无缝事变。 弱点： 不能有用地用作独立的框架。 6.Torch “一个开源的呆板进修库” 说话：C. Torch是一个用于科学和数字操纵的开源呆板进修库。 这是一个基于Lua编程说话的库。 通过提供大量的算法，使得深度进修研究更轻易，而且进步了服从和速率。它有一个强盛的N维数组，这有助于切片和索引等操纵。它还提供了线性代数措施和神经收集模子。 利益： 很是机动。 高程度的速率和服从。 大量的预实习模子可用。 弱点： 不清晰的文件。 缺乏即时行使的即插即用代码。 它基于一种不那么风行的说话，Lua。 7. Accord.NET “呆板进修、计较机视觉、统计和.NET通用科学计较”。 说话：C＃。 这就是为C＃措施员筹备的。 Accord.NET框架是一个.NET呆板进修框架，使音频和图像处理赏罚变得简朴。 这个框架可以有用地处理赏罚数值优化，人工神经收集，乃至可视化。除此之外，Accord.NET对计较机视觉和信号处理赏罚具有很是强盛的成果，同时也使得算法的实现变得简朴。 利益： 它有一个复杂而活泼的开拓团队。 很是有据可查的框架。 质量可视化。 弱点： 不是一个很是风行的框架。 比TensorFlow慢。 8. Spark MLlib “可扩展的呆板进修库” 说话：Scala。 Apache的Spark MLlib是一个可扩展的呆板进修库。 它很是合用于Java、Scala、Python乃至R等说话。它很是高效，由于它可以与Python库和R库中的numpy举办互操纵。 MLlib可以轻松插入到Hadoop事变流程中。它提供了呆板进修算法，如分类、回归和聚类。 这个强盛的库在处理赏罚大型数据时很是快速。 利益： 对付大局限数据处理赏罚很是快速。 提供多种说话。 弱点： 陡峭的进修曲线。 即插即用仅合用于Hadoop。 9. Sci-kit learn “在Python中举办呆板进修” 说话：Python。 Sci-kit learn是一个很是强盛的呆板进修Python库，首要用于构建模子。 行使numpy、SciPy和matplotlib等其他库构建，对统计建模技能（如分类，回归和聚类）很是有用。 Sci-kit learn监视进修算法、无监视进修算法和交错验证等成果。 利益： 很多首要算法的可用性。 有用的数据发掘。 弱点： 不是构筑模子的最佳选择。 GPU服从不高。 10. MLPack “可扩展的C ++呆板进修库” 说话：C ++。 MLPack是一个用C ++实现的可扩展的呆板进修库。由于它是用C ++编写的，以是你可以揣摩它对付内存打点长短常好的。 MLPack以极高的速率运行，由于高质量的呆板进修算法与库一路呈现。这个库是对新手友爱，并提供了一个简朴的API行使。
利益： 可扩展。 Python和C ++绑定可用。 弱点： 不是最好的文档。 本文接头的库很是有用质量较高。像Facebook、谷歌、雅虎、苹果和微软等大公司都在操作这些库举办一些深度进修和呆板进修项目。那么你为什么不能呢？ （编辑：湖南网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
