渐进工具—5个伟大的AI“炼丹炉‘’

Anton。fastai深度学习社区译。

人工智能虽然已经存在很长时间了，由于近年来这一领域的巨大进步，终于成为流行词。

人工智能曾经被称为一个完全的书呆子和天才的领域，但由于各种库和框架的发展，它已经成为一个平易近人的IT领域，并有很多人进入它。

在这篇文章中，我们将看到用于人工智能的优质库，它们的优点，缺点以及一些特点。

让我们深入探索这些人工智能库的世界。

TensorFlow

“使用可伸缩机器学习的数据流图计算”

语言：C ++

84 725★

当进入人工智能时，你会听到的第一个框架之一是谷歌的TensorFlow。

TensorFlow是一款使用数据流图进行数值计算的开源软件。这个可爱的框架以其架构而闻名，它允许在任何CPU或GPU上进行计算，无论是在台式机，服务器还是移动设备上。另外，这个框架在Python编程语言中是可用的。

TensorFlow的基本功能是对可以调用节点的数据层进行排序，并根据所获得的任何信息进行决策。看看吧！

优点：

使用简单易学的Python语言。

使用计算图抽象。

用于可视化的TensorBoard的可用性。

缺点：

这很慢，因为Python不是语言中最快的。

缺乏许多预先训练的模型。

不完全开源。

微软的CNTK

“开源深度学习工具包”

语言：C ++

13 516★

我们称之为微软对Google的TensorFlow的回应吗？

微软的计算网络工具包是一个增强计算网络分离的模块化和维护的库，提供学习算法和模型描述。

在需要大量服务器进行操作的情况下，CNTK可以同时利用多台服务器。

据说它的功能与Google的TensorFlow很接近，但是比TensorFlow还要快。

优点：

这是非常灵活的。

允许分布式训练。

支持C ++，C＃，Java和Python。

缺点：

它以一种新的语言—网络描述语言（NDL）实现。

缺乏可视化。

Theano

“数值计算库”

语言：Python

7 550★

Theano是TensorFlow的强有力竞争者，是一个功能强大的Python库，允许以高效率的方式进行涉及多维数组的数值操作。

库透明地使用GPU来执行数据密集型计算而不是CPU，因此操作效率很高。

出于这个原因，Theano已经被用于为大规模的计算密集型操作提供动力大约十年。

然而，于二零一七年九月二十八日，宣布Theano的主要发展将于二零一七年十一月十五日发布的1.0版本后停止。

这并不意味着它在任何方面都不是一个强大的库。任何时候你都可以随时进行深入的学习研究。

优点：

正确优化CPU和GPU。

有效的数字任务。

缺点：

与其他库相比，原生Theano的水平较低。

需要与其他库一起使用以获得高度的抽象。

AWS上有点bug。

Caffe

“快速开放的深度学习框架”

语言：C ++

22 111★

Caffe是一个强大的深度学习框架。

像这个清单上的其他框架一样，深度学习的研究速度非常快。

借助Caffe，您可以非常轻松地构建可用于图像分类的卷积神经网络（CNN）。Caffe在GPU上运行良好，这有助于在运行期间提高速度。

Caffe主要类：

优点：

Python和MATLAB的绑定可用。

很好的表现;很好的绩效。

允许在不编写代码的情况下训练模型。

缺点：

对于重复性网络不好。

新体系结构不太好。

Keras

“为人类打造的深度学习工具”

语言：Python

23 711★

Keras是一个用python编写的开源神经网络库。

与TensorFlow，CNTK，Theano等Keras不同，它并不意味着是一个端到端的机器学习框架。

相反，它作为一个接口，提供了一个高层次的抽象，使得神经网络的配置变得简单，无论它在哪个框架上。

谷歌的TensorFlow目前支持Keras作为后端，而微软的CNTK将很少或没有时间做同样的事情。

优点：

它是用户友好的。

它很容易扩展。

在CPU和GPU上无缝运行。

与Theano和TensorFlow无缝结合。

缺点：

不能有效地用作独立的框架。