AI工具包

更多深度文章，请关注云计算频道：https://yq.aliyun.com/cloud

现在的人工智能可以为企业带来许多好处，并且将简单的认知能力赋予给了机器。作为计算机科学领域，人工智能正在以前所未有的速度发展。今天我将向你介绍AI的两大工具，它们正在推动着人工智能的发展。

机器学习，深度学习：

当前AI的基础技术可分为两类：机器学习和深度学习。当然，如果按照比较严谨的分类，深度学习也属于机器学习的一部分。今天，我们不细讲这些，目前人工智能使用的绝大多数技术是机器学习，它包含数据科学家最常用的算法：线性模型，k均值聚类，决策树等。虽然我们现在将它们作为AI的一部分，但它们是数据科学家长期以来都在做的事情。这里也说明了数据是人工智能最重要的一部分。

过去两年，两种AI受到了更多的关注和炒作：一种机器学习技术的细分化，神经网络，也被称为深度学习。深度学习正在提高AI的“认知”水平，其中包括图像识别，语音识别，自动驾驶及其他领域。通常，这些应用需要大量数据来训练出复杂的神经网络。

机器学习：

通常处理这一类工作的工具包都会被集成到常用的统计数据包中。商业化的产品包括SAS，SPSS和MATLAB。常用的开源工具包括R和Python；大数据平台Apache Spark和Hadoop也有自己的并行机器学习工具（Spark的MLLIB和Apache Mahout）。目前，由于scikit学习和Anaconda等项目的发展，Python正在成为行业数据科学中最流行的编程语言。而且Python在其他方面也是有很大用处的，如果你想进入人工智能领域，Python是你最佳的选择。

深度学习：

深度学习工具包正在迅速发展。不管是学术界还是互联网巨头，如Google，已经投入深度学习多年。因此，新进入人工智能领域的人面临很多选择！而每个竞争者各有不同的优势和生态系统，这是主要竞争者的缺点。下面我们来介绍那些我们常用的深度学习框架：

1.TensorFlow：来自Google。它是早期框架经验丰富的“第二代”深度学习库。TensorFlow可以从Python获得，包括TensorBoard工具，它在调试和检查网络方面具有很大的优势。XLA编译工具提供了模型的最佳执行，同时TensorFlow Mobile为低功耗移动设备提供了机器学习支持。

2.MXNet：亚马逊将MXNet指定为官方的深度学习平台，并与许多编程语言相集成。MXNet已经被Apache Incubator接受，这将使其成为一个顶级的Apache项目。不过其还是太过复杂。

3.Deeplearning4J：商业支持的深度学习框架，在Java环境中具有强大的性能，使其在企业应用程序具有吸引力。如果你是一个java程序猿，又不想学习其他语言，这个应该是一个不错的选择。

4.Torch：Facebook和Twitter常用的强大框架，但在Lua中写作，使它对其他编程语言的支持较少。

5.PyTorch：Torch的后代，“把Python放在第一位”，PyTorch将torch带入热门的Python数据科学生态系统中。发布于2017年，PyTorch支持动态计算图，而TensorFlow 目前不可用，并提供比非动态替代方案更流畅的开发流程。

6.CTNK：微软在深度学习的学习空间中提供的Python和C ++ API（Java也可以通过实验方式获得）。

7.Caffe：常用于计算机视觉应。核心语言是C ++，带有一个Python接口。

8.Theano：最古老的深度学习框架之一，用Python编写。在学术界广泛使用，但不适合公司使用。

0e21bf9885b47da6d0e23d147cc6e2c9b288847a

许多深度学习的学习框架的运行水平远低于日常开发人员所喜欢的水平，但高层次的库也使其使用更加友好，其中最重要的是Keras，一个支持创建深度学习应用程序的Python库，可以在TensorFlow，Theano，CNTK或Deeplearning4j上运行。

苹果公司进入机器学习也值得一提。与上述工具包相反，Apple仅提供模型的执行框架。开发人员必须使用Caffe，Keras或scikit等学习工具来训练他们的模型，然后转换它们，使应用程序可以通过Apple的CoreML使用它们。

怎么样才是最好的开始？

如果你没有具体的选择来开始你的人工智能之旅，那么我推荐你使用Keras和TensorFlow组合。Google在AI中的影响力以及Python生态系统的重要性，是最强大的默认选择。TensorFlow受欢迎程度的快速增长有可能确保它在短期内与最广泛的数据工具兼容。例如，Databricks 最近公布的TensorFlow和Keras对Spark深入学习的支持。