【IT168 编译】在很长一段时间内，人工智能都被认为是阳春白雪的科技技术，只有搞学术的和天才才会研究，但是近年来，随着各种框架和库的发展，人工智能领域开始变得友好，更多的技术人才开始进入到这个领域。
本文将着重为大家介绍10个人工智能领域高质量的框架和库，分析它们的特点，对比它们的优缺点，帮助更多技术人加入人工智能的圈子中。
1. TensorFlow
“使用数据流图进行可伸缩机器学习的计算。”
语言：C ++或Python。
一脚踏入人工智能领域时，你听到的第一个框架可能就是Google的TensorFlow。
TensorFlow是一个使用数据流图进行数值计算的开源软件。据悉，这个框架允许在任何CPU或GPU上进行计算，无论是台式机、服务器还是移动设备都支持。
TensorFlow通过称为节点的数据层进行排序，并根据所得到的信息进行决策。
优点：
使用易于学习的语言（Python）。
使用计算图抽象。
可使用TensorBoard可视化。
缺点：
由于Python不是最快的编程语言，所以它速度会很慢；
预先训练的模型十分缺乏。
不是完全开源。
2.微软的CNTK
“开源的深度学习工具包”
语言：C ++。
CNTK，我们可以称之为是微软对Google TensorFlow的回应。
微软的Computational Network ToolKit是一个提高模块化和维护分离计算网络，提供学习算法和模型描述的库。
CNTK还可以同时利用多台服务器，据说它的功能与Google TensorFlow相近，但是速度却要更快。
优点：
非常灵活；
允许分布式训练；
支持C ++、C＃、Java和Python。
缺点：
它是用一种新的语言——Network Description Language (NDL)来实现的；
缺乏可视化；
3. Theano
“数值计算库”
语言：Python。
作为TensorFlow的强大竞争对手，Theano是一个强大的Python库，允许使用高效率的多维数组进行数值操作。
该库使用GPU来执行数据密集型计算，因此操作效率很高。也同样是因为这个原因，在10年的时间里，Theano都被用于为大规模的计算密集型操作提供动力。
2017年9月，Theano的开发与维护者之一 Pascal Lamblin 贴出了一封邮件：Yoshua Bengio 宣布在发布Theano 1.0版本之后，终止Theano的开发和维护。当然，这并不意味着Theano是个不强大的库。
优点：
正确优化CPU和GPU。
高效的数值计算任务。
缺点：
与其他库相比，原始的Theano有点低级。
需要与其他库一起使用以获得较高的抽象级别。
在AWS上有点小麻烦。
4.Caffe
“快速，开放的深度学习框架”
语言：C ++。
Caffe是一个强大的深度学习框架。与文中的其它框架一样，深度学习的速度非常快。
借助Caffe，可以非常轻松地构建用于图像分类的卷积神经网络（CNN）。另外Caffe在GPU上也可以良好运行，这有助于在运行期间提高速度。
Caffe main classes:
优点：
Python和MATLAB的绑定可用；
性能表现优异；
无需编写代码即可进行模型的训练。
缺点：
对于递归网络支持不好；
对于新架构的支持不太友好；
5.Keras
对人类的深度学习
语言：Python。
Keras是一个用Python编写的开源的神经网络库。
与TensorFlow，CNTK和Theano不同，Keras并不是一个端到端的机器学习框架。相反，它是作为一个接口，提供高层次的抽象，让神经网络的配置变得简单。目前Google TensorFlow已经支持Keras作为后端，不久之后，微软 CNTK也会支持。
优点：
用户友好；
易于扩展；
在CPU和GPU上无缝运行；
与Theano和TensorFlow无缝合作。
缺点：
不能作为独立框架有效使用。
6.Torch
“一个开源的机器学习库”
语言：C.
Torch是一个用于科学和数值的开源机器学习库。它是基于Lua的库，通过提供大量的算法，更易于深入学习研究，提高了效率和速度。它有一个强大的n维数组，有助于切片和索引之类的操作。除此之外，还提供了线性代数程序和神经网络模型。
优点：
非常灵活。
速度快，效率高。
大量的预先训练的模型可用。
缺点：
文档不清晰；
没有立即使用的即插即用代码。
基于一种不那么流行的语言Lua。
7. Accord.NET
“机器学习，计算机视觉，统计和.NET通用科学计算”。
语言：C＃。
这是为C#程序员准备的。
Accord.NET框架是一个.NET机器学习框架，使得音频和图像处理变得简单。
这个框架可以有效地处理数值优化、人工神经网络，甚至是可视化。除此之外，Accord.NET对计算机视觉和信号处理功能非常强大，同时也使得算法的实现变得简单。
优点：
它拥有一个庞大而活跃的开发团队；
非常有据可查的框架；
可视化质量高。
缺点：
不是一个非常流行的框架；
速度比TensorFlow慢。
8. Spark MLlib
“可扩展的机器学习库”
语言：Scala
Apache Spark MLlib是一个可扩展的机器学习库，适用于Java、Scala、Python、R语言等多种语言。因为可以与Python库和R库中的numpy进行互操作，所以非常高效。
MLlib可以轻松插入到Hadoop工作流程中，提供了机器学习算法，如分类，回归和聚类。
这个强大的库在处理大型数据时非常快速。
优点：
对于大规模数据处理非常快速。
支持多种语言。
缺点：
陡峭的学习曲线。
即插即用仅适用于Hadoop。
9. Sci-kit Learn
“Python中的机器学习”
语言：Python。
Sci-kit Learn是一个非常强大的机器学习Python库，主要用于构建模型。
它使用其他库(如numpy、SciPy和matplotlib)构建，对于统计建模技术(如分类、回归和集群)非常有效。Sci-kit Learn的特性包括监督学习算法、无监督学习算法和交叉验证
优点：
许多主要算法的可用性。
高效的数据挖掘。
缺点：
不是最好的构建模型。
GPU效率不高。
10. MLPack
“可扩展的C ++机器学习库”
语言：C ++。
MLPack是一个用C ++实现的可扩展的机器学习库。因为它是用C ++编写的，所以我们可以合理猜测它对内存管理是非常好的。
MLPack以极快的速度运行，因为高质量的机器学习算法与库一起运行，而且它对于新手是非常友好的，并且提供了一个简单的API使用。
优点：
可扩展；
Python和C ++绑定可用。
缺点：
文档不是很友好。
写在最后
本文推荐的库都是经得起时间检验的，像是Facebook、Google、Apple和Microsoft等一些大公司都在他们的深度学习和机器学习项目中应用这些库，所以你还有什么道理不抓紧时间来学习呢？
如果你有经常使用并且感觉还不错的库，也欢迎在下方评论中与我们分享！
