10 个用于 AI 开发的框架和库
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。
官网：https://www.tensorflow.org/
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。
官网：https://github.com/Microsoft/CNTK
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。
官网：https://github.com/Theano/Theano
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。
官网：http://caffe.berkeleyvision.org/
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。
官网：https://keras.io/
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。
官网：http://accord-framework.net/
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。
官网：https://spark.apache.org/mllib/
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。
官网：http://scikit-learn.org/
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。
官网：http://mlpack.org/
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？
你能想到其他经常使用，但不在列表上的库吗？请在评论部分与我们分享。