人工智能(AI)是目前最热门的技术研究领域之一。IBM、微软、谷歌、Facebook和亚马逊等大多数公司都在积极投入自己的研发，并收购在机器学习和深度学习等领域取得进展的初创公司。
库——应用程序使用的文章或策略的集合。它是一个具有可重用代码的文件，可以被许多应用程序共享，因此您不需要多次编写相同的代码。而是连接到库。
在本文中，我们将研究用于人工智能的高质量库、它们的优缺点以及它们的部分特性。我认为分享我们的发现和印象会很有趣，可以帮助那些在这个迷人的世界中起步的人。
它非常适用于语言，例如Scala，Java，Python甚至是R.同样，它非常有效，因为它可以与Python和R库中的numpy进行互操作。MLlib可以无需连接Hadoop工作流程。它提供机器学习算法，例如回归，聚类和分类。
Python。Keras是一个用Python编写的开源神经网络库。与CNTK，TensorFlow和Theano不同。Keras并不打算成为一个结束式的端到端机器学习框架。相反，它作为一个界面填充并给出高水平的反射，这使得神经网络的布置简单，无论如何，它都是坐落在其上的结构。谷歌的TensorFlow目前支持Keras作为后端，而微软的CNTK也将在不久的将来做到这一点。
Python。Theano是一个Python库，用于描述、操作、优化和评估使用计算机多项式数学系统的科学表达。如果您不太可能管理深度适应，那么您将管理大量的数值任务。Theano非常适合于这些任务，特别是符号变量、矩阵操作和容量定义，并且没有一点时间将其聚合到CPU或GPU机器代码中。它是经验最丰富的深度学习库之一，这意味着它常牢固的，但也意味着它应该经常与不同的库一起使用，以防您需要进行高度的反思。
TensorFlow是一个使用数据流图完成数值计算的开源软件。Tensorflow框架以允许计算任何CPU或GPU(工作区域、服务器甚至移动设备)而闻名。这个系统可以在Python编程语言中访问。
DeepLearning4J称它本身是一个开源的，分发给JVM的深度学习库。它适合训练，转移深度学习系统并能在不失去速度的情况下处理巨大的信息。它同样可以与Hadoop和Spark结合，并且可以在没有任何准备的情况下在计算中实现学习算法。另外，鉴于它与Java一起工作，您应该在没有其他人的情况下制定明确的类来将框架包括在一起，而不是使用不需要制定显式类的Python。
：C ++。我们可以称这是微软对Google的TensorFlow的回应。微软的计算网络工具包是一个库，它可以升级模块化和分离计算系统的支持，给出学习算法和模型描述。与此同时，微软的CNTK可以在很多服务器需要运行的情况下利用大量的服务器。它可以用来帮助你有效地结合不同类型的神经网络，具有非凡的执行力，允许分布式训练，并且是可适应的。
语言:Python。scikit Learn是一个用于机器学习的强大的Python库，它作为构建模型的一部分被大量使用。利用不同的库(例如SciPy、numpy和matplotlib)进行构建，对于建模技术来说非常有用。scikit Learn 亮点，如托管学习算法、交叉验证和无监督学习算法。
PyBrain是一个开源的机器学习库。PyBrain是一个完全以Python为基础的框架，它的目的是让开发人员能够利用它，开发人员可以是那些刚刚开始研究Pytho的学生，也可以是神经网络领域的计算机科学研究人员。PyBrains库由算法组成，这些算法使开发人员能够处理想法，比如强化学习。
如果您没有高级的编程能力，但是，您希望进入机器学习，您应该考虑Azure机器学习。这种基于云计算的服务提供了工具，将预测模型作为科学安排发送。同样，它也可以用来测试机器学习模型、运行算法和制作推荐框架，以给出一些例子。然而，它被为它的执行不力和不直观的用户界面，特别是在编写代码方面。
一个非常酷的框架，但它经常被忽视。它并不意味着要深入研究，也不意味着要测试想法，它是一个用于生产的框架。它是在CNTKand CNTK和Tensorflow之后发布的众多开源深度学习库中的一个。自那以后，亚马逊一直在用AWS赞助MxNet，因此它的未来并不明朗。DSSTNE一般是用c++编写的，它具有快速的所有特征，尽管它并没有像其他库那样吸引广泛的组。
OpenNN是为开发人员实现神经网络的C ++编程库。它包含了大量的文档和教学，其中包括神经网络的序言，尽管OpenNN对于有很多人工智能参与的开发者而言已经消失了。OpenNN另外还构建了一个称为Neural Designer的高级分析设备，该设备预计通过制作视觉内容（例如图表和表格）来改进和翻译数据段落。
本文由悠悠游戏 （www.youycu456.com）整理发布