441
機器人
人工智能這麼火，這 12 款工具你怎麼能不知道！
關鍵時刻，第一時間送達！
作者丨Sarah Davis & Jordan Baker
譯者丨Diwei
譯者注：如果你對人工智能感興趣，但不知道從哪裏入手，那就看看這篇文章。本文列出了12種人工智能工具、庫和平台，介紹它們的用途、缺點和優點，還會有一些其他的內容！
隨著近年來AI的使用率越來越高，我們需要更加清楚地了解現在有哪些可供選擇的人工智能工具、庫、平台，以及它們提供了哪些功能，有哪些缺點，哪個最適合你。本文列舉出了最受歡迎的前12個AI工具、庫和平台，介紹了它們最常見的用途，有哪些優點和缺點，還有一些其它的內容，根據這些信息，將會使你更加輕鬆地做出上述問題的決策！
注：這些工具都是按字母順序進行排序的——順序沒有什麼意義!
1. Azure機器學習
如果你沒有高超的編程技能，但很希望能夠涉足機器學習領域，那你應該好好研究Azure機器學習。(注意，你應該有一些機器學習和數據科學的基礎，這樣才能感受到該平台提供的好處)。它是基於雲端的服務，提供的工具可用來部署預測模型作為分析解決方案。還可以用來測試機器學習模型，運行算法，並創建推薦係統等等。然而，用戶界麵是使用者對它的吐槽點，尤其是涉及到代碼編寫的時候。在這裏（https://azure.microsoft.com/en-us/services/machine-learning-studio/）可以了解更多關於Azure機器學習的內容!
2. Caffe（卷積神經網絡框架）
Caffe的創建者是賈揚清，它是作為加州大學伯克利分校的Jia’s Ph.D研究的一部分。現在已經發展成為深度學習的一個開源框架了，支持各種類型的軟件架構設計會議及圖像分割和圖像分類。Caffe以其簡單易讀的源代碼和絕佳的質量性能而大受追捧。一些否定者認為由於需要使用Cude/C++編寫新的層，而且在為大型網絡編寫原始文件時很難使用。在這裏（https://caffe.berkeleyvision.org/）了解Caffe的更多內容吧!
3. CNTK
CNTK(計算網絡工具包)是一款深度學習的工具包，是由微軟開發的“通過有向圖將神經網絡描述為一係列的計算步驟”。它可以幫助用戶把不同類型的神經網絡輕鬆地結合到一起，它有著巨大的性能，還允許分布式訓練，靈活度非常高。另一方麵，它的源代碼沒有那麼的簡單易讀，而且缺乏可視化。這裏（https://github.com/Microsoft/CNTK）可以了解更多關於CNTK!
4. Deeplearning4j
DeepLearning4J自稱是專門適用於JVM的開源、分布式深度學習的庫。它特別適於培訓分布式深度學習網絡，可以非常穩定的處理大量數據。它還可以整合Hadoop和Spark，可以從頭開始實現機器學習算法。另一方麵，對於機器學習來說，Java並不是非常受歡迎，所以DL4J不能像其它庫那樣依靠越來越多的代碼庫，因此開發成本可能會更高。此外，因為它是用Java構建的，所以必須自己手工創建顯式類以便將矩陣添加到一起，而如果是用Python的話，那就不需要創建了。在這裏（https://deeplearning4j.org/）了解更多關於DeepLearning4J！
5. IBM Watson
IBM Watson被稱為“問答機器”。它使用分析能力和人工智能增強human-like的能力來應對問題。它可以幫助用戶擁有強大的商業洞察力，然後在已經很明智的決定上做出更明智的決定。IBM還可以確保用戶的數據得到世界級的安全保護和加密功能，而且承諾不會分享數據，除非你自己願意。另一方麵，它的缺點包括隻能用英語，不能直接處理結構化數據，轉換和集成需要耗費很高的成本。在這裏了解更多關於IBM Watson！
6. Keras
Keras神經網絡是一個用Python編寫的開源庫。如果你正在尋找哪些庫可以允許用戶執行快速而且簡單的實驗，那麼Keras應該就是你需要的!它作用於卷積神經網絡和/或複發性神經網絡，也可以運行在兩個CPU和GPU。其優點是易於使用，對於熟悉深入學習的開發者來說非常簡單，但它的缺點就是如果想超越表麵級別的定製可能會比較困難，其數據處理工具有點負擔。不過，總的來說，這是一個正在發展中的API，已經走過了漫長的道路，沒有人可以預言它的極限在哪裏！
7. Pybrain
PyBrain是一個開源的、模塊化的機器學習庫。它完全麵向框架，PyBrain旨在成為一個使用群眾包括既有剛剛開始探索世界的學生，也有專門從事於深入學習和神經網絡的計算機科學研究人員的工具。PyBrains庫是由算法組成的，這些算法允許開發人員使用強化學習等概念，非監督機器學習和神經網絡。在這裏（https://pybrain.org/）了解更多關於PyBrain!
8. Scikit-Learn
Scikit-learn機器學習是一個開源框架，Python有用的數據挖掘、數據分析和數據可視化。它有利於分類、回歸、聚類、降維、模型選擇、預處理，等等。它是建立在NumPy，SciPy，matplotlib。使用Python，工作速度比R和有偉大的表現。然而，沒有分布式版本可用，不適合大數據集。
9. Swift AI
Swift人工智能是Swift用於深度學習和神經網絡的庫，支持Mac機器(很快也會支持Linux)。這個庫是由各種工具組成，允許開發人員創建神經網絡，創建深度學習算法和信號處理。在GitHub頁麵上顯示的示例項目表明Swift AI已經迅速被用於創建可以識別人類筆跡模式的軟件。在這裏（https://github.com/Swift-AI/Swift-AI）了解更多關於Swift AI!
10. Tensorflow
最初是由穀歌的機器智能研究開發部門研究出來的，是用來進行深度學習神經網絡和機器學習的研究，TensorFlow現在已經是semi-open-source庫了，允許開發人員進行數值計算。AI開發者可以使用TensorFlow庫在模式識別方麵構建和訓練神經網絡。它是用Python和C++這兩門強大的以及廣受歡迎的編程語言編寫的，允許分布式訓練。它的缺點是不包含許多pre-trained模型，像Caffe一樣，也不支持外部數據集。在這裏（https://www.tensorflow.org/）了解更多關於TensorFlow!
11. Theano
Theano是一個使用計算機代數係統從而定義、優化、操作和評估數學表達式的Python庫。如果你用深度學習處理，那就要處理很多數值的任務。Theano非常適合處理這些任務——特別是矩陣運算，符號變量，函數定義，可以即時編譯為CPU或GPU的機器代碼。Theano是時間最久的深度學習庫之一，這意味著它非常成熟，但也意味著如果你想有一個高水平的抽象，它必須和其他庫一起使用。在這裏（https://deeplearning.net/software/theano/）了解更多關於Theano!
12. Torch
Torch是一個用於科學計算的開源框架，支持機器學習算法。它得益於腳本語言LuaJIT和底層的C/CUDA實現，LuaJIT允許開發人員用C語言與Torch進行交互。正如在他們的網站上列出的那樣，Torch使用者們的突出特性就是“強大的n維數組;線性代數的例程;神經網絡、能源模型;快速和高效的GPU的支持。”此外，它還可以移植到iOS和Android的後端。Torch已經指出一些缺點，包括從目錄中加載數據是非常困難，過於依賴Lua(相對較新的語言)使不容易被使用。在這裏（https://torch.ch/）了解更多關於Torch!
最後更新：2017-10-12 13:13:29