知識星球（點選上方公眾號，可快速關註）
編譯：飛哥的咖啡，英文：dashbouquet
http://blog.jobbole.com/113499/
儘管人工智慧（AI ）已經存在很長時間了，但因為這一領域取得的巨大進步，它最近成為了一個流行詞。
AI 曾被認為是狂熱愛好者和天才的專屬領域，但由於各種庫和框架的蓬勃發展，它慢慢成為了一個不那麼排外的 IT 領域，並吸引了大量的人才投入其中。
在本文中，我們將介紹那些用於 AI 開發的高質量庫，並談談它們的優缺點，以及特性。
現在，讓我們進入並探索 AI 庫的世界吧。
TensorFlow：“使用資料流程圖對可拓展的機器學習進行計算”
語言：C++
84 725 ★
初接觸 AI 時，你聽說的首批框架應該包含了谷歌的 TensorFlow。
TensorFlow 是一個使用資料流程圖進行數值計算的開源軟體。這個不錯的框架因其架構而聞名，它允許在任何 CPU 或 GPU 上進行計算，不管是桌面、伺服器，還是移動裝置。它可在 Python 程式語言中使用。
TensorFlow 主要是透過資料層進行排序，而我們可以呼叫節點，並根據所得到的資訊進行決策。
官網：https://www.tensorflow.org/
優點：
-
使用簡單易學的語言，如 Python。
-
使用計算圖進行抽象。
-
可以使用 TensorBoard 獲得視覺化。
缺點：
-
執行速度慢，因為 Python 不是最快的語言。
-
缺乏許多預訓練的模型。
-
不完全開源。
Microsoft CNTK：“開源的深度學習工具包”
語言：C++
13 516 ★
我們是否可以將它看作是微軟對谷歌 TensorFlow 的回應？
微軟的 CNTK（計算網路工具包）是一個用來增強模組化和保持計算網路分離的庫，提供學習演演算法和模型描述。
在需要大量伺服器進行計算的情況下，CNTK 可以同時利用多臺伺服器。
據說 CNTK 在功能上接近谷歌的 TensorFlow，但速度比對方要快一些。
官網：https://github.com/Microsoft/CNTK
優點：
-
高度靈活。
-
允許分散式訓練。
-
支援 C++、C#、Java 和 Python。
缺點：
-
它由一種新的語言——NDL（網路描述語言）實現。
-
缺乏視覺化。
Theano：“數值計算庫”
語言：Python
7 550 ★
作為 TensorFlow 的強有力競爭對手，Theano 是一個強大的 Python 庫，它允許使用高效多維陣列進行數值計算。
它不使用 CPU，而是透明地使用 GPU，用於資料密集型計算，所以效率很高。
因此，在大約 10 年內，Theano 一直被用於大規模的資料密集型計算。
然而，在 2017 年 9 月 28 日當日，開發團隊宣稱，將在 2017 年 11 月 15 日釋出 1.0 版後，停止對它的主要開發。
但這並沒有削弱它的強大實力，你仍可以使用它，隨時進行深入學習的研究。
官網：https://github.com/Theano/Theano
優點：
-
對 CPU 和 GPU 進行了適當最佳化。
-
高效的數值計算任務。
缺點：
-
與其他庫相比，原始的 Theano 有點兒低階。
-
需要與其他庫一起使用，以獲得較高階的抽象。
-
在 AWS 上使用有點小 Bug。
Caffe：“應對深入學習的快速開放架構”
語言：C++
22 111 ★
Caffe 是一個強大的深度學習框架。
和這個串列中的其他框架一樣，它對於深入學習的研究而言，是非常快速和有效的。
使用 Caffe，你可以輕易地構建一個用於影象分類的 CNN（摺積神經網路）。它在 GPU 上執行良好，使得執行速度非常快。
官網：http://caffe.berkeleyvision.org/
上圖是 Caffe 的主類。
優點：
-
可以與 Python 和 MATLAB 系結使用。
-
高效能。
-
無需編寫程式碼，即可訓練模型。
缺點：
-
對遞迴網路支援不好。
-
對新架構來說不是很好。
Keras：“針對人類的深度學習”
語言：Python
23 711 ★
Keras 是一個用 Python 編寫的開源神經網路庫。
不似 TensorFlow、CNTK、Theano、Keras 這種端到端（End-to-End）的機器學習框架，
相反，它是一個介面，提供了高層次的抽象，使得神經網路的配置變得更加簡單，而不必考慮所在的框架。
谷歌的 TensorFlow 目前支援 Keras 作為後端，而微軟的 CNTK 也將在短時間內獲得支援。
官網：https://keras.io/
優點：
-
它對使用者友好，易於上手。
-
高度拓展。
-
可以在 CPU 或 GPU 上無縫執行。
-
完美相容 Theano 和 TensorFlow。
缺點：
-
不能有效地作為一個獨立的框架來使用。
Torch：“開源機器學習庫”
語言：C
7 584 ★
Torch 是一個用於科學計算和數值計算的開源機器學習庫。
它是一個基於 Lua 程式語言（終於不再是 Python）的庫。
透過提供大量演演算法，使得深入學習的研究更加容易，並提高了效率和速度。它有一個強大的 N 維陣列，幫助進行類似切片和索引這樣的計算，並提供線性代數程式和神經網路模型。官網：http://torch.ch/
優點：
-
高度靈活。
-
速度快，效率高。
-
大量的預訓練模型可用。
缺點：
-
說明檔案不夠清晰。
-
缺乏立即使用的即插即用程式碼。
-
它基於一個不怎麼流行的程式語言 Lua。
Accord.NET：針對 .NET 的機器學習、計算機視覺、統計學和通用科學計算
語言：C＃
2 424 ★
這是為 C# 程式員準備的。
Accord.NET 框架是一個 .NET 機器學習框架，使得音訊和影象的處理變得更加簡單。
該框架可以有效地解決數值最佳化、人工神經網路，甚至給出了視覺化的特徵。此外，Accord.NET 對計算機視覺和訊號處理具有強大的功能，並且易於演演算法實現。
官網：http://accord-framework.net/
優點：
-
它擁有一個龐大且活躍的開發團隊。
-
說明檔案非常不錯。
-
高質量的視覺化。
缺點：
-
這不是一個非常流行的框架。
-
與 TensorFlow 相比，速度慢
Spark MLlib：可擴充套件的機器學習庫
語言：Scala
15 708 ★
Apache 的 Spark MLlib 是一個具有高度拓展性的機器學習庫。
它在 Java、Scala、Python 甚至 R 語言中都非常有用，因為它使用 Python 和 R 中類似 Numpy 這樣的庫，能夠進行高效的互動。
MLlib 可以很容易地插入 Hadoop 工作流程中。它提供了機器學習演演算法，如分類、回歸、聚類等。
這個強大的庫在處理大規模的資料時，速度非常快。
官網：https://spark.apache.org/mllib/
優點：
-
對於大規模資料處理來說，非常快。
-
可用於多種語言。
缺點：
-
陡峭的學習曲線。
-
僅 Hadoop 支援即插即用。
Sci-Kit Learn：“Python 中的機器學習”
語言：Python
24 369 ★
Sci-kit learn 是一個針對機器學習的強大 Python 庫，主要用於構建模型。
使用諸如 Numpy、SciPy 和 Matplotlib 等其他庫構建，對於統計建模技術（如分類、回歸、叢集等）非常有效。
Sci-Kit learn的特性包括監督式學習演演算法、非監督式學習演演算法和交叉驗證。
官網：http://scikit-learn.org/
優點：
-
可以使用許多 shell 演演算法。
-
高效的資料挖掘。
缺點：
-
不是最好的模型構建庫。
-
GPU 使用不高效。
MLPack：“可擴充套件的 C++ 機器學習庫”
語言：C++
1 856 ★
MLPack 是一個使用 C++ 實現的可擴充套件的機器學習庫。在 C++ 中，你可以猜到，它的記憶體管理非常出色。
擁有高質量的機器學習演演算法與庫，MLPack 的執行速度非常快。它對新手十分友好，因為它提供了一個可供使用的簡單 API。
官網：http://mlpack.org/
優點：
-
高度拓展。
-
可以與 Python 和 C++ 系結。
缺點：
-
說明檔案不夠清晰。
總結
本文所討論的庫都非常高效，並經過了時間的考驗，質量上乘。五大巨頭 Facebook、谷歌、雅虎、蘋果、微軟都在使用這些庫進行深度學習和機器學習專案。
你有什麼理由不用哪？
你能想到其他經常使用，但不在串列上的庫嗎？請在評論部分與我們分享。
【關於投稿】
如果大家有原創好文投稿，請直接給公號傳送留言。
① 留言格式：
【投稿】+《 文章標題》+ 文章連結
② 示例：
【投稿】《不要自稱是程式員，我十多年的 IT 職場總結》：http://blog.jobbole.com/94148/
③ 最後請附上您的個人簡介哈~
覺得本文有幫助？請分享給更多人
關註「演演算法愛好者」，修煉程式設計內功
