Python|TensorFlow 、Caffe等9大主流人工智能框架优劣势分析( 二 ) 点击上方关注

TheanoWelcome — Theano 1.0.0 documentation
文章插图
使用GPU代替CPU ，该框架支持深度学习研究，并能够为需要高计算能力的网络提供准确性。例如，多维数组的计算需要高功率，而Theano能做到这一点。
Theano基于Python ， Python是一种经过验证的编程语言，可以提高处理和响应速度。
特性

由于动态代码生成，表达式的计算速度更快。
即使值很小，也能提供出色的精确度。
单元测试是Theano的一个重要特性，因为它允许用户自我验证代码，以及轻松地检测和诊断错误。

优点

针对CPU和GPU进行了优化。

缺点

当前版本的Theano将不再更新或添加任何功能。

Amazon machine learningAmazon Machine Learning 机器学习_机器学习服务-AWS云服务

Python|TensorFlow 、Caffe等9大主流人工智能框架优劣势分析

文章插图
作为AI社区的趋势参与者， Amazon machine learning在开发自学工具方面提供了高端支持。
该框架已在其多个服务（如AWS ， S3和Amazon Redshift等）中拥有现有的用户基础。这是亚马逊的托管服务，对模型进行数据分析、模型培训和评估三个操作。
特性

即使您是一个初学者、数据科学家或开发人员， AWS中都有针对每个级别的经验定制的工具。
安全性至关重要，因此所有数据都是加密的。
为数据分析和理解提供广泛的工具。
与所有主要数据集的集成。

优点

您不需要使用这个框架编写大量代码。相反，它允许您通过API与AI支持的框架进行交互。
数据科学家、开发人员和ML研究人员常用。

缺点

它缺乏灵活性，因为整个框架都是抽象的，所以如果您想选择一个特定的标准化或机器学习算法，就不合适。
缺乏数据可视化。

TorchTorch | Scientific computing for LuaJIT.
Torch是一个开源框架，可以支持数值运算。它为快速开发深度学习网络提供了多种算法。
它广泛用于Facebook和Twitter的AI实验室。有一个基于Python的框架，称为PyTorch ，已经被证明是更简单和更可靠的。
特性

具有许多例程，可以使用N维数组模型进行索引，切片，转置。
存在优化例程，主要是基于神经网络模型的数字。
GPU支持非常高效。
与iOS和Andriod轻松集成。

优点

语言和集成的灵活性非常高。
高水平的速度和GPU利用率。
预先存在的模型可用于训练数据。

缺点

文档对用户来说不是很清楚，用户学习困难。
缺乏立即使用的代码，因此需要时间。
它最初基于一种名为Lua的编程语言，并没有多少人知道它。

Accord.Net
Accord.net是一个基于C#的框架，它帮助开发用于音频和图像处理的神经网络。
可以在商业上使用它来生成计算机视觉应用程序，信号处理以及统计应用程序。
特性

成熟，经过良好测试的代码库，因为它始于2012年。
提供一组全面的示例模型和数据集，以快速启动应用程序。

优点

它由一个活跃的开发团队持续支持。
这个文档齐全的框架可以有效地处理数字密集型计算和可视化。
使用该框架可以方便地执行算法和信号处理。
它可以轻松处理数值优化和人工神经网络。

缺点