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

点击上方关注， All in AI中国
文章插图
从机器人到谷歌Siri ，再到现在新推出的谷歌双工系统，人工智能似乎已经取得了相当大的进步，变得越来越人性化。
对机器学习和人工智能的需求呈指数级增长，相关社区也因此增加，促进了一些AI框架的发展，这些框架使得学习AI变得更加容易。
在本文中，您将了解一些最佳框架，以帮助您开始AI开发。
Tensor Flowhttps://www.TensorFlow.org
文章插图
Tensor Flow来自谷歌家族，是一个强大的开源框架，支持深度学习，甚至可以通过移动设备访问。
Tensor Flow是一个适用于统计程序开发的工具。由于它提供分布式培训，所以可以在用户喜欢的任何抽象级别上更有效地培训机器模型。
特性

可扩展的多编程接口，便于编程。
强劲的增长动力，拥有强大的开源社区。
为人们提供广泛且有详细记录的手册。

优点

Tensor Flow使用的语言是Python ，现在非常流行。
该框架具有较高的计算能力。因此，它可以在任何CPU或GPU上使用。
使用计算图形抽象创建机器模型。

缺点

为了做出决策或预测，框架将输入数据通过多个节点传递，这可能非常耗时。
缺乏许多预先训练好的AI模型。

Microsoft CNTK 【Python|TensorFlow 、Caffe等9大主流人工智能框架优劣势分析】The Microsoft Cognitive Toolkit - Cognitive Toolkit - CNTK | Microsoft Docs

文章插图
Microsoft CNTK是一个更快、更通用的开源框架，它基于支持文本、消息和语音重构的神经网络。
它提供了一个高效的扩展环境，在保证精度的同时，可以更快地全面评估机器模型。
Microsoft CNTK与主要的海量数据集集成，使其成为Skype、Cortana等大公司的首选，同时具有非常易于表达和使用的架构。
特性

高度优化以提供速率、可扩展性、速度和高级集成。
内置超参数调整、监督学习模型、增强、CNN、RNN等组件。
资源用来提供最佳效率。
拥有可以高效表达的自有网络，如完整的API ，包括高级和低级。

优点

由于它支持Python和C++ ，所以这个框架可以同时使用多个服务器，从而使学习过程更快。
它的开发考虑到了人工智能世界的最新发展。 Microsft CNTK的架构支持GAN、RNN和CNN 。
它允许分布式培训有效地培训机器模型。

缺点

它缺乏可视化板和ARM支持。

CaffeCaffe | Caffe Tutorial

文章插图
Caffe是一个深度学习网络，附带预先加载的训练好的神经网络。如果你的截止日期很近，这应该是你的第一选择。
该框架以其图像处理能力而闻名，还有对MATLAB的扩展支持。
特性

它的所有模型都是用纯文本模式编写的。
因为它已经预先加载，所以可提供巨大的速度和高效率的工作。
一个活跃的开源社区，用于讨论和协作代码。

优点

C、C++和Python相互连接，它还支持CNN(卷积神经网络)的建模。
由于速度快，计算数字任务时效率很高。

缺点

Caffe不能处理复杂的数据，但在处理图像的视觉处理时速度较快。

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