（點擊上方公眾號，可快速關注）

編譯：伯樂在線-飛哥的咖啡，英文：dashbouquet

盡管人工智能（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，但由于各種庫和框架的蓬勃發展，它慢慢成為了一個不那么排外的 IT 領域，并吸引了大量的人才投入其中。

在本文中，我們將介紹那些用于 AI 開發的高質量庫，并談談它們的優缺點，以及特性。

現在，讓我們進入并探索 AI 庫的世界吧。

TensorFlow：“使用數據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 是一個使用數據流程圖進行數值計算的開源軟件。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、服務器，還是移動設備。它可在 Python 編程語言中使用。

TensorFlow 主要是通過數據層進行排序，而我們可以調用節點，并根據所得到的信息進行決策。

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 獲得可視化。

缺點：

運行速度慢，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（計算網絡工具包）是一個用來增強模塊化和保持計算網絡分離的庫，提供學習算法和模型描述。

在需要大量服務器進行計算的情況下，CNTK 可以同時利用多臺服務器。

據說 CNTK 在功能上接近谷歌的 TensorFlow，但速度比對方要快一些。

優點：

高度靈活。

允許分布式訓練。

支持 C++、C#、Java 和 Python。

缺點：

它由一種新的語言——NDL（網絡描述語言）實現。

缺乏可視化。

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數組進行數值計算。

它不使用 CPU，而是透明地使用 GPU，用于數據密集型計算，所以效率很高。

因此，在大約 10 年內，Theano 一直被用于大規模的數據密集型計算。

然而，在 2017 年 9 月 28 日當日，開發團隊宣稱，將在 2017 年 11 月 15 日發布 1.0 版后，停止對它的主要開發。

但這并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。

優點：

對 CPU 和 GPU 進行了適當優化。

高效的數值計算任務。

缺點：

與其他庫相比，原始的 Theano 有點兒低級。

需要與其他庫一起使用，以獲得較高級的抽象。

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。

和這個列表中的其他框架一樣，它對于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于圖像分類的 CNN（卷積神經網絡）。它在 GPU 上運行良好，使得運行速度非常快。

上圖是 Caffe 的主類。

優點：

可以與 Python 和 MATLAB 綁定使用。

高性能。

無需編寫代碼，即可訓練模型。

缺點：

對遞歸網絡支持不好。

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 編寫的開源神經網絡庫。

不似TensorFlow、CNTK、Theano、Keras 這種端到端（End-to-End）的機器學習框架，

相反，它是一個接口，提供了高層次的抽象，使得神經網絡的配置變得更加簡單，而不必考慮所在的框架。

谷歌的 TensorFlow 目前支持 Keras 作為后端，而微軟的 CNTK 也將在短時間內獲得支持。

優點：

它對用戶友好，易于上手。

高度拓展。

可以在 CPU 或 GPU 上無縫運行。

完美兼容 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 是一個用于科學計算和數值計算的開源機器學習庫。

它是一個基于 Lua 編程語言（終于不再是 Python）的庫。

通過提供大量算法，使得深入學習的研究更加容易，并提高了效率和速度。它有一個強大的 N 維數組，幫助進行類似切片和索引這樣的計算，并提供線性代數程序和神經網絡模型。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：

說明文檔不夠清晰。

缺乏立即使用的即插即用代碼。

它基于一個不怎么流行的編程語言 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# 程序員準備的。

Accord.NET 框架是一個 .NET 機器學習框架，使得音頻和圖像的處理變得更加簡單。

該框架可以有效地解決數值優化、人工神經網絡，甚至給出了可視化的特征。此外，Accord.NET 對計算機視覺和信號處理具有強大的功能，并且易于算法實現。

優點：

它擁有一個龐大且活躍的開發團隊。

說明文檔非常不錯。

高質量的可視化。

缺點：

這不是一個非常流行的框架。

與 TensorFlow 相比，速度慢

Spark MLlib：可擴展的機器學習庫

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，能夠進行高效的交互。

MLlib 可以很容易地插入 Hadoop 工作流程中。它提供了機器學習算法，如分類、回歸、聚類等。

這個強大的庫在處理大規模的數據時，速度非常快。

優點：

對于大規模數據處理來說，非常快。

可用于多種語言。

缺點：

陡峭的學習曲線。

僅 Hadoop 支持即插即用。

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，主要用于構建模型。

使用諸如 Numpy、SciPy 和 Matplotlib 等其他庫構建，對于統計建模技術（如分類、回歸、集群等）非常有效。

Sci-Kit learn的特性包括監督式學習算法、非監督式學習算法和交叉驗證。

優點：

可以使用許多 shell 算法。

高效的數據挖掘。

缺點：

不是最好的模型構建庫。

GPU 使用不高效。

MLPack：“可擴展的 C++ 機器學習庫”

語言：C++

1 856 ★

MLPack 是一個使用 C++ 實現的可擴展的機器學習庫。在 C++ 中，你可以猜到，它的內存管理非常出色。

擁有高質量的機器學習算法與庫，MLPack 的運行速度非常快。它對新手十分友好，因為它提供了一個可供使用的簡單 API。

優點：

高度拓展。

可以與 Python 和 C++ 綁定。

缺點：

說明文檔不夠清晰。

總結

本文所討論的庫都非常高效，并經過了時間的考驗，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項目。

你有什么理由不用哪？