AI工具包

更多深度文章，請關注雲計算頻道：https://yq.aliyun.com/cloud

現在的人工智能可以為企業帶來許多好處，並且將簡單的認知能力賦予給了機器。作為計算機科學領域，人工智能正在以前所未有的速度發展。今天我將向你介紹AI的兩大工具，它們正在推動著人工智能的發展。

機器學習，深度學習：

當前AI的基礎技術可分為兩類：機器學習和深度學習。當然，如果按照比較嚴謹的分類，深度學習也屬於機器學習的一部分。今天，我們不細講這些，目前人工智能使用的絕大多數技術是機器學習，它包含數據科學家最常用的算法：線性模型，k均值聚類，決策樹等。雖然我們現在將它們作為AI的一部分，但它們是數據科學家長期以來都在做的事情。這裏也說明了數據是人工智能最重要的一部分。

過去兩年，兩種AI受到了更多的關注和炒作：一種機器學習技術的細分化，神經網絡，也被稱為深度學習。深度學習正在提高AI的“認知”水平，其中包括圖像識別，語音識別，自動駕駛及其他領域。通常，這些應用需要大量數據來訓練出複雜的神經網絡。

機器學習：

通常處理這一類工作的工具包都會被集成到常用的統計數據包中。商業化的產品包括SAS，SPSS和MATLAB。常用的開源工具包括R和Python；大數據平台Apache Spark和Hadoop也有自己的並行機器學習工具（Spark的MLLIB和Apache Mahout）。目前，由於scikit學習和Anaconda等項目的發展，Python正在成為行業數據科學中最流行的編程語言。而且Python在其他方麵也是有很大用處的，如果你想進入人工智能領域，Python是你最佳的選擇。

深度學習：

深度學習工具包正在迅速發展。不管是學術界還是互聯網巨頭，如Google，已經投入深度學習多年。因此，新進入人工智能領域的人麵臨很多選擇！而每個競爭者各有不同的優勢和生態係統，這是主要競爭者的缺點。下麵我們來介紹那些我們常用的深度學習框架：

1.TensorFlow：來自Google。它是早期框架經驗豐富的“第二代”深度學習庫。TensorFlow可以從Python獲得，包括TensorBoard工具，它在調試和檢查網絡方麵具有很大的優勢。XLA編譯工具提供了模型的最佳執行，同時TensorFlow Mobile為低功耗移動設備提供了機器學習支持。

2.MXNet：亞馬遜將MXNet指定為官方的深度學習平台，並與許多編程語言相集成。MXNet已經被Apache Incubator接受，這將使其成為一個頂級的Apache項目。不過其還是太過複雜。

3.Deeplearning4J：商業支持的深度學習框架，在Java環境中具有強大的性能，使其在企業應用程序具有吸引力。如果你是一個java程序猿，又不想學習其他語言，這個應該是一個不錯的選擇。

4.Torch：Facebook和Twitter常用的強大框架，但在Lua中寫作，使它對其他編程語言的支持較少。

5.PyTorch：Torch的後代，“把Python放在第一位”，PyTorch將torch帶入熱門的Python數據科學生態係統中。發布於2017年，PyTorch支持動態計算圖，而TensorFlow 目前不可用，並提供比非動態替代方案更流暢的開發流程。

6.CTNK：微軟在深度學習的學習空間中提供的Python和C ++ API（Java也可以通過實驗方式獲得）。

7.Caffe：常用於計算機視覺應。核心語言是C ++，帶有一個Python接口。

8.Theano：最古老的深度學習框架之一，用Python編寫。在學術界廣泛使用，但不適合公司使用。

0e21bf9885b47da6d0e23d147cc6e2c9b288847a

許多深度學習的學習框架的運行水平遠低於日常開發人員所喜歡的水平，但高層次的庫也使其使用更加友好，其中最重要的是Keras，一個支持創建深度學習應用程序的Python庫，可以在TensorFlow，Theano，CNTK或Deeplearning4j上運行。

蘋果公司進入機器學習也值得一提。與上述工具包相反，Apple僅提供模型的執行框架。開發人員必須使用Caffe，Keras或scikit等學習工具來訓練他們的模型，然後轉換它們，使應用程序可以通過Apple的CoreML使用它們。

怎麼樣才是最好的開始？

如果你沒有具體的選擇來開始你的人工智能之旅，那麼我推薦你使用Keras和TensorFlow組合。Google在AI中的影響力以及Python生態係統的重要性，是最強大的默認選擇。TensorFlow受歡迎程度的快速增長有可能確保它在短期內與最廣泛的數據工具兼容。例如，Databricks 最近公布的TensorFlow和Keras對Spark深入學習的支持。