現在，小編將介紹那些用于 AI 開發的高質量庫，并談談它們的優缺點，以及特性。 現在，讓我們進入并探索 AI 庫的世界吧。
1. TensorFlow
“使用數據流程圖對可拓展的機器學習進行計算”
初接觸 AI 時，你聽說的首批框架應該包含了谷歌的 TensorFlow。 TensorFlow 是一個使用數據流程圖進行數值計算的開源軟件。這個不錯的框架因其架構而聞名，它允許在任何 CPU 或 GPU 上進行計算，不管是桌面、服務器，還是移動設備。它可在 Python 編程語言中使用。 TensorFlow 主要是通過數據層進行排序，而我們可以調用節點，并根據所得到的信息進行決策。
使用簡單易學的語言，如 Python。
使用計算圖進行抽象。
可以使用 TensorBoard 獲得可視化。
缺點：
運行速度慢，因為 Python 不是快的語言。
缺乏許多預訓練的模型。
不完全開源。
2. Microsoft CNTK
“開源的深度學習工具包”
我們是否可以將它看作是微軟對谷歌 TensorFlow 的回應？ 微軟的 CNTK（計算網絡工具包）是一個用來增強模塊化和保持計算網絡分離的庫，提供學習算法和模型描述。 在需要大量服務器進行計算的情況下，CNTK 可以同時利用多臺服務器。 據說 CNTK 在功能上接近谷歌的 TensorFlow，但速度比對方要快一些。
高度靈活。
允許分布式訓練。
支持 C++、C#、Java 和 Python。
缺點：
它由一種新的語言——NDL（網絡描述語言）實現。
缺乏可視化。
3. Theano
“數值計算庫”
作為 TensorFlow 的強有力競爭對手，Theano 是一個強大的 Python 庫，它允許使用高效多維數組進行數值計算。 它不使用 CPU，而是透明地使用 GPU，用于數據密集型計算，所以效率很高。 因此，在大約 10 年內，Theano 一直被用于大規模的數據密集型計算。 然而，在 2017 年 9 月 28 日當日，開發團隊宣稱，將在 2017 年 11 月 15 日發布 1.0 版后，停止對它的主要開發。 但這并沒有削弱它的強大實力，你仍可以使用它，隨時進行深入學習的研究。
對 CPU 和 GPU 進行了適當優化。
高效的數值計算任務。
缺點：
與其他庫相比，原始的 Theano 有點兒低級。
需要與其他庫一起使用，以獲得較的抽象。
在 AWS 上使用有點小 Bug。
4. Caffe
“應對深入學習的快速開放架構”
Caffe 是一個強大的深度學習框架。 和這個列表中的其他框架一樣，它對于深入學習的研究而言，是非?？焖俸陀行У?。 使用 Caffe，你可以輕易地構建一個用于圖像分類的 CNN（卷積神經網絡）。它在 GPU 上運行良好，運行速度非?？臁?/span>
可以與 Python 和 MATLAB 綁定使用。
高性能。
無需編寫代碼，即可訓練模型。
缺點：
對遞歸網絡支持不好。
對新架構來說不是很好。
5. Keras
“針對人類的深度學習”
Keras 是一個用 Python 編寫的開源神經網絡庫。 不似 TensorFlow、CNTK、Theano、Keras 這種端到端（End-to-End）的機器學習框架， 相反，它是一個接口，提供了高層次的抽象，使得神經網絡的配置變得更加簡單，而不必考慮所在的框架。 谷歌的 TensorFlow 目前支持 Keras 作為后端，而微軟的 CNTK 也將在短時間內獲得支持。
它對用戶友好，易于上手。
高度拓展。
可以在 CPU 或 GPU 上無縫運行。
完美兼容 Theano 和 TensorFlow。
缺點：
不能有效地作為一個獨立的框架來使用。
6. Torch
“開源機器學習庫”
Torch 是一個用于科學計算和數值計算的開源機器學習庫。 它是一個基于 Lua 編程語言（終于不再是 Python）的庫。 通過提供大量算法，使得深入學習的研究更加容易，并提高了效率和速度。它有一個強大的 N 維數組，幫助進行類似切片和索引這樣的計算，并提供線性代數程序和神經網絡模型。
高度靈活。
速度快，效率高。
大量的預訓練模型可用。
缺點：
說明文檔不夠清晰。
缺乏立即使用的即插即用代碼。
它基于一個不怎么流行的編程語言 Lua。
7. Accord . NET
“針對 . NET 的機器學習、計算機視覺、統計學和通用科學計算”
這是為 C# 程序員準備的。 Accord . NET 框架是一個 .NET 機器學習框架，使得音頻和圖像的處理變得更加簡單。 該框架可以有效地解決數值優化、人工神經網絡，甚至給出了可視化的特征。此外，Accord . NET 對計算機視覺和信號處理具有強大的功能，并且易于算法實現。
它擁有一個龐大且活躍的開發團隊。
說明文檔非常不錯。
高質量的可視化。
缺點：
這不是一個非常流行的框架。
與 TensorFlow 相比，速度慢。
8. Spark MLlib
“可擴展的機器學習庫”
Apache 的 Spark MLlib 是一個具有高度拓展性的機器學習庫。 它在 Java、Scala、Python 甚至 R 語言中都非常有用，因為它使用 Python 和 R 中類似 Numpy 這樣的庫，能夠進行高效的交互。 MLlib 可以很容易地插入 Hadoop 工作流程中。它提供了機器學習算法，如分類、回歸、聚類等。 這個強大的庫在處理大規模的數據時，速度非常快。
對于大規模數據處理來說，非?？?。
可用于多種語言。
缺點：
陡峭的學習曲線。
僅 Hadoop 支持即插即用。
Sci-Kit Learn “Python 中的機器學習”
9. Sci-Kit Learn
“Python 中的機器學習”
Sci-kit learn 是一個針對機器學習的強大 Python 庫，主要用于構建模型。 使用諸如 Numpy、SciPy 和 Matplotlib 等其他庫構建，對于統計建模技術（如分類、回歸、集群等）非常有效。 Sci-Kit learn的特性包括監督式學習算法、非監督式學習算法和交叉驗證。
可以使用許多 shell 算法。
高效的數據挖掘。
缺點：
不是的模型構建庫。
GPU 使用不高效。
10. MLPack
“可擴展的 C++ 機器學習庫”
MLPack 是一個使用 C++ 實現的可擴展的機器學習庫。在 C++ 中，你可以猜到，它的內存管理非常出色。 擁有高質量的機器學習算法與庫，MLPack 的運行速度非?？?。它對新手十分友好，因為它提供了一個可供使用的簡單 API。
高度拓展。
可以與 Python 和 C++ 綁定。
缺點：
說明文檔不夠清晰。（如果這也算的話）
總結
本文所討論的庫都非常高效，久經時間檢驗，已經是當前無比接近真理的存在了。很多知名企業都在使用這些庫進行深度學習和機器學習項目。
想要了解多的東西那就加入我們吧！