機器學習開源框架，不論是對公司還是個人，都有非常重要的價值。本文便介紹了目前較為流行且易用的機器學習開源框架。總有一款適合你！

首先需要說明，這是一篇面向初學者的文章。

在眾多的開源機器學習框架里，總有一款適合你。

隨著人工智能的興起，對機器學習能力的需求可謂是急劇增加：從金融到醫療，各行各業都在采用基于機器學習的技術。

然而，對于大多數企業和組織來說，定義機器學習模型仍然是一項復雜且資源密集型的工作。

若是借助良好的機器學習框架，便可以減少上述的挑戰。

下面便是一些最好的開源框架和庫，企業和個人都可以使用它們來構建機器學習模型。

Amazon Machine Learning

鏈接地址：

https://aws.amazon.com/machine-learning/

Amazon Machine Learning(AML)為開發機器學習模型提供了工具和向導。

AML通過提供易用的分析和可視化輔助工具，使開發人員更容易訪問機器學習。它還可以連接到Redshift或Amazon S3上存儲的任何數據。

AML提供的交互式圖表有助于可視化輸入數據集，以便更好地理解數據。 AML還管理運行和擴展模型創建所需的基礎架構和工作流程。

Caffe

鏈接地址：http://caffe.berkeleyvision.org/

Caffe以構建、開發深度學習應用程序而聞名。

這些應用程序允許用戶在不需要編寫任何代碼或具備編碼知識的情況下使用神經網絡。

Caffe支持Windows和Mac OS x等操作系統，還部分支持多GPU訓練。

Caffe2

鏈接地址：http://caffe2.ai/

Caffe2 是 Caffe 實驗性的再造，可以提供更靈活的方法組織計算。

Caffe2強調易用性，旨在為開發人員提供一種簡單直觀的方式，親身體驗深度學習。

在某些情況下，你可能希望使用現有的模型，跳過整個“學習”的步驟，在嘗試訓練你自己的模型之前，就熟悉深度學習是如何的實用和有效。

Caffe2 的原理與 Caffe 相同，開發原則可以概括為以下5點：

表達（Expression）：模型和優化被定義為純文本模式（plaintext schema）而不是代碼。

速度：對學界和產業界都一樣，速度對于最先進的模型和大數據至關重要。

模塊化：新任務和設置需要靈活性和擴展性。

開放性：科學和應用進步需要通用代碼（common code），參考模型和重現性（reproducibility）。

社區：學術研究、startup prototypes 和工業應用通過在 BSD-2 項目中聯合討論和開發，共享實力。

Theano

鏈接地址：

http://www.deeplearning.net/software/theano/

Theano是一個專門為深度學習設計的Python庫。它幫助用戶定義和計算數學表達式，包括多維數組。

Theano的特性包括與NumPy的集成、符號微分(symbolic differentiation)和動態C代碼生成。它還可以與其他庫(如Keras和Blocks)一起使用，并支持Mac OS X和Linux等平臺。

雖然已經停止更新，但Theano的很多特性都在現有的其他框架里被繼承了下來，了解一下不會吃虧。

TensorFlow

鏈接地址：https://www.tensorflow.org/

TensorFlow是由Google開發的開源庫，它是目前為止最受歡迎且維護良好的深度學習庫之一。

用戶可以通過使用流程圖和名為TensorBoard的服務在TensorFlow上創建神經網絡和計算模型，該服務提供簡單的可視化。

TensorFlow有Python和C ++兩種版本。它可以輕松部署在不同類型的設備上。

Torch

鏈接地址：http://torch.ch/

Torch是另一款非常容易使用的開源框架。

Torch提供了N維數組、線性代數程序(routine)、高效的GPU支持以及用于切片和傳輸的程序。Torch還提供了多個模型模板。

它基于Lua腳本，支持Android、Windows、iOS和Mac OS X等平臺。

不過，現在有了一個比Torch更好的選擇，那就是接下來介紹的PyTorch。

PyTorch

鏈接地址：http://pytorch.org/

AI的開發從研究到生產的過程，涉及多個步驟和工具，這使得測試新方法、部署它們，以及迭代以提高準確性和性能都非常耗時而且復雜。為了幫助加速和優化這個過程，Facebook推出了PyTorch 1.0。

現在，PyTorch受歡迎的趨勢，尤其是在研究人員之間，大有趕超TensorFlow之趨。

PyTorch 1.0采用了Caffe2和ONNX的模塊化、面向生產的功能，并將它們與PyTorch現有的靈活的、側重于研究的設計結合起來，為各種AI項目提供從研究原型到生產部署的快速、無縫的路徑。

使用PyTorch 1.0，AI開發人員可以通過在命令式執行模式和聲明式執行模式之間無縫切換的混合前端進行快速實驗和性能優化。PyTorch 1.0中的技術已經為Facebook的許多產品和服務提供支持，包括每天執行60億次的文本翻譯。

PyTorch 1.0包含一系列工具、庫、預訓練的模型和各個開發階段的數據集，使社區能夠大規模地快速創建和部署新的AI創新。

總結

機器學習框架最好的一點是，它們帶有預構建的組件，可以幫助用戶輕松地理解和編寫模型。

機器學習框架越好，定義機器學習模型的任務就越簡單。上面提到的開源機器學習框架可以幫助大家高效、輕松地構建機器學習模型。