介绍用于 AI 开发的高质量库，并谈谈它们的优缺点，以及特性

（点击上方公众号，可快速关注）

编译：伯乐在线 - 飞哥的咖啡，英文：dashbouquet   

尽管人工智能（AI ）已经存在很长时间了，但因为这一领域取得的巨大进步，它最近成为了一个流行词。

AI 曾被认为是狂热爱好者和天才的专属领域，但由于各种库和框架的蓬勃发展，它慢慢成为了一个不那么排外的 IT 领域，并吸引了大量的人才投入其中。

在本文中，我们将介绍那些用于 AI 开发的高质量库，并谈谈它们的优缺点，以及特性。

现在，让我们进入并探索 AI 库的世界吧。

TensorFlow：“使用数据流程图对可拓展的机器学习进行计算”

语言：C++

84 725 ★

初接触 AI 时，你听说的首批框架应该包含了谷歌的 TensorFlow。

TensorFlow 是一个使用数据流程图进行数值计算的开源软件。这个不错的框架因其架构而闻名，它允许在任何 CPU 或 GPU 上进行计算，不管是桌面、服务器，还是移动设备。它可在 Python 编程语言中使用。

TensorFlow 主要是通过数据层进行排序，而我们可以调用节点，并根据所得到的信息进行决策。

优点：

使用简单易学的语言，如 Python。

使用计算图进行抽象。

可以使用 TensorBoard 获得可视化。

缺点：

运行速度慢，因为 Python 不是最快的语言。

缺乏许多预训练的模型。

不完全开源。

Microsoft CNTK：“开源的深度学习工具包”

语言：C++

13 516 ★

我们是否可以将它看作是微软对谷歌 TensorFlow 的回应？

微软的 CNTK（计算网络工具包）是一个用来增强模块化和保持计算网络分离的库，提供学习算法和模型描述。

在需要大量服务器进行计算的情况下，CNTK 可以同时利用多台服务器。

据说 CNTK 在功能上接近谷歌的 TensorFlow，但速度比对方要快一些。

优点：

高度灵活。

允许分布式训练。

支持 C++、C#、Java 和 Python。

缺点：

它由一种新的语言——NDL（网络描述语言）实现。

缺乏可视化。

Theano：“数值计算库”

语言：Python

7 550 ★

作为 TensorFlow 的强有力竞争对手，Theano 是一个强大的 Python 库，它允许使用高效多维数组进行数值计算。

它不使用 CPU，而是透明地使用 GPU，用于数据密集型计算，所以效率很高。

因此，在大约 10 年内，Theano 一直被用于大规模的数据密集型计算。

然而，在 2017 年 9 月 28 日当日，开发团队宣称，将在 2017 年 11 月 15 日发布 1.0 版后，停止对它的主要开发。

但这并没有削弱它的强大实力，你仍可以使用它，随时进行深入学习的研究。

优点：

对 CPU 和 GPU 进行了适当优化。

高效的数值计算任务。

缺点：

与其他库相比，原始的 Theano 有点儿低级。

需要与其他库一起使用，以获得较高级的抽象。

在 AWS 上使用有点小 Bug。

Caffe：“应对深入学习的快速开放架构”

语言：C++

22 111 ★

Caffe 是一个强大的深度学习框架。

和这个列表中的其他框架一样，它对于深入学习的研究而言，是非常快速和有效的。

使用 Caffe，你可以轻易地构建一个用于图像分类的 CNN（卷积神经网络）。它在 GPU 上运行良好，使得运行速度非常快。

上图是 Caffe 的主类。

优点：

可以与 Python 和 MATLAB 绑定使用。

高性能。

无需编写代码，即可训练模型。

缺点：

对递归网络支持不好。

对新架构来说不是很好。

Keras：“针对人类的深度学习”

语言：Python

23 711 ★

Keras 是一个用 Python 编写的开源神经网络库。

不似 TensorFlow、CNTK、Theano、Keras 这种端到端（End-to-End）的机器学习框架，

相反，它是一个接口，提供了高层次的抽象，使得神经网络的配置变得更加简单，而不必考虑所在的框架。

谷歌的 TensorFlow 目前支持 Keras 作为后端，而微软的 CNTK 也将在短时间内获得支持。

优点：

它对用户友好，易于上手。

高度拓展。

可以在 CPU 或 GPU 上无缝运行。

完美兼容 Theano 和 TensorFlow。

缺点：

不能有效地作为一个独立的框架来使用。

Torch：“开源机器学习库”

语言：C

7 584 ★

Torch 是一个用于科学计算和数值计算的开源机器学习库。

它是一个基于  Lua 编程语言（终于不再是 Python）的库。

通过提供大量算法，使得深入学习的研究更加容易，并提高了效率和速度。它有一个强大的 N 维数组，帮助进行类似切片和索引这样的计算，并提供线性代数程序和神经网络模型。官网：http://torch.ch/

优点：

高度灵活。

速度快，效率高。

大量的预训练模型可用。

缺点：

说明文档不够清晰。

缺乏立即使用的即插即用代码。

它基于一个不怎么流行的编程语言 Lua。

Accord.NET：针对 .NET 的机器学习、计算机视觉、统计学和通用科学计算

语言：C＃

2 424 ★

这是为 C# 程序员准备的。

Accord.NET 框架是一个 .NET 机器学习框架，使得音频和图像的处理变得更加简单。

该框架可以有效地解决数值优化、人工神经网络，甚至给出了可视化的特征。此外，Accord.NET 对计算机视觉和信号处理具有强大的功能，并且易于算法实现。

优点：

它拥有一个庞大且活跃的开发团队。

说明文档非常不错。

高质量的可视化。

缺点：

这不是一个非常流行的框架。

与 TensorFlow 相比，速度慢

Spark MLlib：可扩展的机器学习库

语言：Scala

15 708 ★

Apache 的 Spark MLlib 是一个具有高度拓展性的机器学习库。

它在 Java、Scala、Python 甚至 R 语言中都非常有用，因为它使用 Python 和 R 中类似 Numpy 这样的库，能够进行高效的交互。

MLlib 可以很容易地插入 Hadoop 工作流程中。它提供了机器学习算法，如分类、回归、聚类等。

这个强大的库在处理大规模的数据时，速度非常快。

优点：

对于大规模数据处理来说，非常快。

可用于多种语言。

缺点：

陡峭的学习曲线。

仅 Hadoop 支持即插即用。

Sci-Kit Learn：“Python 中的机器学习”

语言：Python

24 369 ★

Sci-kit learn 是一个针对机器学习的强大 Python 库，主要用于构建模型。

使用诸如 Numpy、SciPy 和 Matplotlib 等其他库构建，对于统计建模技术（如分类、回归、集群等）非常有效。

Sci-Kit learn的特性包括监督式学习算法、非监督式学习算法和交叉验证。

优点：

可以使用许多 shell 算法。

高效的数据挖掘。

缺点：

不是最好的模型构建库。

GPU 使用不高效。

MLPack：“可扩展的 C++ 机器学习库”

语言：C++

1 856 ★

MLPack 是一个使用 C++ 实现的可扩展的机器学习库。在 C++ 中，你可以猜到，它的内存管理非常出色。

拥有高质量的机器学习算法与库，MLPack 的运行速度非常快。它对新手十分友好，因为它提供了一个可供使用的简单 API。

优点：

高度拓展。

可以与 Python 和 C++ 绑定。

缺点：

说明文档不够清晰。

总结

本文所讨论的库都非常高效，并经过了时间的考验，质量上乘。五大巨头 Facebook、谷歌、雅虎、苹果、微软都在使用这些库进行深度学习和机器学习项目。

你有什么理由不用哪？