英文 中文 登录

TensorFlow

    今日:712| 主题:323
收藏本版
发表新帖

大牛深度解析人工智能AI框架、库的优缺点——西安北邮在线

[复制链接]
Effy 发表于 2018-2-14 09:14:35
64 0
人工智能已经存在很长时间,然而,由于这一领域的巨大发展,近年来它已成为一个流行语。人工智能曾经被称为一个书呆子和天才领域,但由于各种库和框架的发展,它已成为一个友好的IT领域,更多的人开始了他们的人工智能之旅。

在这篇文章中,我们将研究人工智能的高质量库的优点和缺点,以及它们的一些特点。

1. TensorFlow

“使用数据流图计算进行机器学习”

语言:C ++或Python。

当你进入AI时,你会听到的第一个框架之一就是Google的TensorFlow。TensorFlow是一个使用数据流图进行数值计算的开源框架。这个框架被称为具有允许在任何CPU或GPU上进行计算的架构,无论是台式机,服务器还是移动设备,另外这个框架在Python编程语言中是可用的,这也是Python大火的原因。

TensorFlow是通过称为节点的数据层进行排序,并根据获得的信息做出决定。这是它的官网!

优点:

    使用易于学习的语言(Python)。

    使用计算图抽象。

    可以使用可视化的TensorBoard。

缺点:

    它很慢,因为Python不是编程语言中最快的。

    缺乏许多预先训练的模型。

    不完全开源。

2.CNTK

“开源深度学习工具包”。

语言:C ++。

我们可以称之为它是微软对Google的TensorFlow的回应。

微软的CNTK是一个增强分离计算网络模块化和维护的库,它提供了学习算法和模型描述。在需要大量服务器进行操作的情况下,CNTK可以同时利用多台服务器。

据说它的功能与Google的TensorFlow相近,但是,它更快,在这里了解更多。

优点:

    非常灵活。

    允许分布式培训。

    支持C ++,C#,Java和Python。

缺点:

    它以一种新的语言——Network Description Language(NDL)来实现。

    缺乏可视化。

3. Theano

“数值计算库”

语言:Python。

Theano是TensorFlow的强有力竞争者,它是一个功能强大的Python库,允许以高效率的方式进行多维数组的数值操作。

该库透明地使用GPU来执行数据密集型计算而不是CPU,因此操作效率很高。出于这个原因,Theano已经被用于为大规模的计算密集型操作长达十年的时间。然而,于二零一七年九月, Theano的1.0版本停止。

但这并不意味着它不再是一个强大的图书馆,你仍然可以随时进行深入的学习研究,在这里了解更多。

优点:

    优化CPU和GPU。

    有效的计算任务。

缺点:

    与其他库相比,原生Theano有点低级。

    需要与其他库一起使用以获得高度的抽象。

    AWS使用它上有点bug。

4. Caffe

“快速,开放的深度学习框架”

语言:C ++。

Caffe是一个强大的深度学习框架,像这个清单上的其他框架一样,深度学习的研究速度非常快。

借助Caffe,你可以非常轻松地构建用于图像分类的卷积神经网络(CNN)。Caffe在GPU上运行的也很不错,这有助于在运行期间提高速度。查看主页获取更多信息。

Caffe主类:

优点:

    Python和MATLAB都可用。

    表现的很好。

    无需编写代码即可进行模型的训练。

缺点:

    对于RNN网络不太友好。

    对于新体系结构不太友好。

5. Keras

“为人类普及深度学习”

语言:Python。

Keras是一个用Python编写的开源的神经网络库。与TensorFlow,CNTK和Theano不同,Keras并不意味着是一个端到端的机器学习框架。

相反,它作为一个接口,提供了一个高层次的抽象,这使得神经网络的配置变得简单,无论它坐在哪个框架上。

谷歌的TensorFlow目前支持Keras作为后端,而微软的CNTK也会在很短的时间内做到这一点。在这里了解更多。

优点:

    它对用户非常友好。

    它很容易扩展。

    在CPU和GPU上无缝运行。

    与Theano和TensorFlow无缝工作。

缺点:

    不能有效地用作独立的框架。

6.Torch

“一个开源的机器学习库”

语言:C.

Torch是一个用于科学和数字操作的开源机器学习库。

这是一个基于Lua编程语言的库而不是Python。

它通过提供大量的算法,使得深度学习研究更容易,并且提高了效率和速度。它有一个强大的N维数组,这有助于切片和索引等操作。它还提供了线性代数程序和神经网络模型。快来看看。

优点:

    非常灵活。

    高水平的速度和效率。

    大量的预训练模型可用。

缺点:

    缺乏即时使用的代码。

    它基于一种不那么流行的语言,Lua。

7. Accord.NET

“机器学习,计算机视觉,统计和.NET通用科学计算”。

语言:C#。

这里是一个为C#程序员存在的机器学习框架。Accord.NET框架是一个.NET机器学习框架,使音频和图像处理变得简单。

这个框架可以有效地处理数值优化,人工神经网络,甚至可视化。除此之外,Accord.NET对计算机视觉和信号处理功能非常强大,同时也使得算法的实现变得简单。查看主页面。

优点:

    它有一个庞大而积极的开发团队。

    有据可查的框架。

    有质量可视化。

缺点:

    不是一个非常流行的框架。

    比TensorFlow慢。

8. Spark MLlib

“可扩展的机器学习库”

语言:Scala。

Apache的Spark MLlib是一个非常可扩展的机器学习库。它非常适用于Java,Scala,Python甚至R等语言。它非常高效,因为它可以与Python库和R库中的numpy进行互操作。

MLlib可以轻松插入到Hadoop工作流程中。它还提供了机器学习算法,如分类,回归和聚类。这个强大的库在处理大型数据时非常快速。在网站上了解更多信息。

优点:

    对于大规模数据非常快速。

    提供支持多种语言。

缺点:

    不是很完美的学习曲线。

    即插即用仅适用于Hadoop。

9. Sci-kit学习

“用Python进行机器学习”

语言:Python。

Sci-kit learn是一个非常强大的机器学习Python库,主要用于构建模型。

使用numpy,SciPy和matplotlib等其他库构建,对统计建模技术(如分类,回归和聚类)非常有效。

Sci-kit学习带有监督学习算法,无监督学习算法和交叉验证等功能。点击查看官网。

优点:

    许多主要算法的可用性很高。

    能够进行有效的数据挖掘。

缺点:

    不是创建模型的最佳选择。

    GPU效率不高。

10. MLPack

“可扩展的C ++机器学习库”

语言:C ++。

MLPack是一个用C ++实现的可扩展的机器学习库,因为它是用C ++编写的,所以你可以猜测到它对于内存管理的非常好。

MLPack以极高的速度运行,可以支持高质量的机器学习算法与库一起运行。这个库对新手是友好的,它还提供了一个简单的API帮助新手使用。官网可以查看。

优点:

    非常容易扩展。

    Python和C ++都可用。

缺点:

    没有具体的参考资料。

如果你也想学人工智能AI技术,不妨来西安北邮在线。

本帖子中包含更多资源

您需要 登录 才可以下载或查看,没有帐号?立即注册

x
回复

使用道具 举报

*滑动验证:
您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

热帖滚动

推荐阅读

阅读排行

扫描二维码 关注我们官方微信 RDMA知识一手掌握

联系我们

点击发送邮件

   HPC Advisory Council 版权所有   京ICP备17021631号-1

QQ- Archiver-手机版- RDMAWorld.com