当前位置:首页 > 百科 > 正文

人工智能 程序(人工智能 教程)

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 ********* 。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。

1、Spark MLlib人工智能 程序(人工智能 教程)  第1张

语言:Scala。Apache的Spark MLlib是一款极具适应性的机器学习库。

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。

优点

对于大规模的数据而言,速度很快。它可以用多种语言访问。

缺点

Hadoop的附件,要熟悉Hadoop。这是一个陡峭的学习曲线。2、Keras人工智能 程序(人工智能 教程)  第2张

语言: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。

优点

它很容易使用。它毫不费力地可扩展。在CPU和GPU上运行完美无瑕。它与Theano和TensorFlow完美配合。

缺点

不能有效地用作自主框架。3、Caffe人工智能 程序(人工智能 教程)  第3张

语言:C + +。Caffe是一个有效的深度学习框架。和这个列表上的其他框架一样,它是快速高效的深度学习研究。有了Caffe,你可以不需要太多的拉伸(CNN)卷积神经网络来进行图像排序。它在GPU上运行良好,在执行任务时速度惊人。

优点

执行非常好。Python和MATLAB的绑定可以访问。它考虑了模型的训练而不编写代码。

缺点

新结构并不特别。可怕的复发性网络。4、Theano人工智能 程序(人工智能 教程)  第4张

语言: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,这意味着它是非常牢固的,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。

优点

它对于数字任务是有效的。适当增强的CPU和GPU。

缺点

与不同的库相比,Crude Theano是相当低的。应与不同的库一起使用。有些surrey 在AWS上5、Swift AI人工智能 程序(人工智能 教程)  第5张

Swift AI是Swift的深度学习和神经网络库,提供Mac机器的帮助。该库由不同的工具组成,使开发人员能够制作神经网络,制作深度学习算法并处理信号。作为Scala, Swift支持类型归纳。

优点

Swift AI轻松扩展。与Objective-C的互操作性。这是全堆的潜力。自动监视内存。跨设备支持。

缺点

与旧版本的语言缺乏后向兼容性。速度问题。6、TensorFlow人工智能 程序(人工智能 教程)  第6张

语言:c++和Python。进入人工智能系统时,你将听到的主要系统之一是谷歌的TensorFlow。

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。

优点

使用一种简单易学的语言(Python)。它是可用的TensorBoard代表。使用计算图表。

缺点

它是适中的,因为Python不是最快的语言。TensorFlow不是完全开源。缺乏大量的预先准备的模型7、MXNet人工智能 程序(人工智能 教程)  第7张

MXNet是一个适应性强且高效的深度学习库。奇妙的是它支持超过7种不同的语言关系,包括C ++,R,Python,Javascript甚至Matlab。如果您需要通过各种CPU或GPU进行培训,MXNet是您最接近的伙伴,因为它支持分发注册。

优点

它适应性强,结构紧迫。基本的,易于理解的代码。高性能和动态图形。

缺点

这可能会通过各种设置给出不同的结果。编写自己的层有点困难。8、Nervana Neon人工智能 程序(人工智能 教程)  第8张

neurana和Intel联合生产了下一代精明的专家和应用程序,Neon开发了基于python的开源机器学习库。Neon为开发人员提供了构建、准备和传递云领域深入学习的机会。Neon有很多视频教学练习和model zoo,里面有预训练过的算法和案例脚本。

优点

这是一种更简单的运行Neon的方法。Nervana Neon framework是最快的系统。

缺点

分散的依赖性。它有太多的错误。9、Deeplearning4j人工智能 程序(人工智能 教程)  第9张

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。

优点

它分散CPU和GPU。它针对微服务架构进行了调整。通过迭代平行训练减少。适应Hadoop10、Scikit-Learn人工智能 程序(人工智能 教程)  第10张

Scikit-learn是一个针对Python的开源机器学习框架,用于数据可视化、数据分析和数据挖掘。对回归、特征、聚类、模型选择、降维等都有一定的参考价值。它基于matplotlib、NumPy和SciPy。绑定包基于SciPy的最高点,并充分利用其数学任务。

优点

它是数据挖掘和数据分析的简单而有效的设备。开源,可用- BSD许可。每个人都可以使用,并且可以在不同的上下文中重用。它基于NumPy、SciPy和matplotlib。

缺点

scikitt -learn就是它比R更不关注统计数据11、Torch人工智能 程序(人工智能 教程)  第11张

语言:C. Torch是用于逻辑和数字活动的开源机器学习库。通过提供大量的算法,它可以减少要求苛刻的深度学习研究并提高生产力和速度。它有一个有能力的N维数组,可以帮助执行任务,例如切片和索引。它还提供线性代数例程和神经网络模型。

优点

一批预先训练好的模型可供使用。它非常灵活。高水平的速度和熟练程度。

缺点

没有合适的代码,可以快速使用。模糊的文档。这取决于一个不是很突出的语言,Lua。12、Microsoft CNTK人工智能 程序(人工智能 教程)  第12张

语言: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。

优点

它允许分布式培训。它非常适应。它支持C ++,C#,Java和Python。

缺点

它以另一种语言网络描述语言(NDL)执行。没有可视化。13、Accord.NET人工智能 程序(人工智能 教程)  第13张

语言:c#。这里是一个C#程序员。Accord.NET框架是一个.NET机器学习框架,可以简化音频和图片处理。这个框架可以熟练地处理数值优化,人工神经网络,甚至表示。除此之外,Accord.NET对于计算机视觉和标志处理非常有效,并且可以简化算法的使用

它的框架文档非常丰富。它拥有一个庞大而充满活力的发展团队。良好的视觉效果。

缺点

它不是一个非常有名的框架。与TensorFlow的对比要弱一些。14、MLPack人工智能 程序(人工智能 教程)  第14张

语言:C + +。MLPack是在c++中实现的一种适应性强的机器学习库。这对内存管理很有帮助。MLPack继续以惊人的速度运行,高质量的机器学习算法加入到库中。这个库并不友好,并且提供了一个可以使用的简单API。

优点

它的用途非常广泛。可以使用Python和c++绑定。

缺点

文档不够完善。15、Sci-kit Learn人工智能 程序(人工智能 教程)  第15张

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。

优点

精通数据挖掘。大量的主要算法的可访问性。

缺点

建立模型不是最好的。GPU的效率不是很高。16、Pybrain人工智能 程序(人工智能 教程)  第16张

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。

优点

它是一个易于使用的特殊库。不断增长的新条件和增强算法。它总是尝试逐步和更快的可用性。用来做真正的事的工具。17、IBM Watson人工智能 程序(人工智能 教程)  第17张

它利用分析能力和人工智能来重复人类的能力,以理想的方式回答问题。它可以帮助您根据完全知情的决策制定非凡的商业知识,并根据知情决定作出决定。IBM Watson被称为问答应答机。IBM同样保证您的数据具有世界级的安全性和加密能力,并且除非您声明可以,否则他们不会共享您的数据。

优点

它确保您的数据具有世界级的安全性。

缺点

它不直接处理有组织的数据和交换,整合费用高昂。18、Azure Machine Learning人工智能 程序(人工智能 教程)  第18张

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,它被批评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。

优点

R脚本的支持。用“简化”的方法来处理架构实验。团队执行简单。

缺点

未能看到演示内容。限制容量的免费版本。用于制作和查找类似模型的不同副本的方法很困难。19、Lasagne人工智能 程序(人工智能 教程)  第19张

在Theano中构建和训练神经网络的轻量级库。它还支持卷积神经网络(CNN),包括长期短期记忆(LSTM)在内的 intermittent networks。由于Theano的外观编译器,它提供了cpu和gpu的直接帮助。然而,Keras有更好的文档并且更完整

20、DSSTNE人工智能 程序(人工智能 教程)  第20张

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。

优点

它处理稀疏编码。

缺点

亚马逊选择了另一个在AWS上使用的框架,MxNet。21、DyNet人工智能 程序(人工智能 教程)  第21张

DyNet,动态神经网络工具箱,离开了卡内基梅隆大学,过去被称为CNN。它引人注目的特点是动态计算图,它考虑了不同长度的贡献,这对NLP来说非常棒。PyTorch和Chainer也是如此。

优点

它是动态计算图。

缺点

小的用户社区22、OpenNN人工智能 程序(人工智能 教程)  第22张

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练习,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。

优点

这种深层架构允许具有一般估计特性的神经网络的计划。高级分析的高级图书馆。