人工智慧開源工具（框架）
摘要： 本文講了10個熱門的人工智慧開源工具/框架。
下面是我們今天要講的10個熱門的人工智慧開源工具/框架。
1.TensorFlow
TensorFlow™是一個開源軟體庫，最初由Google Brain Team的研究人員和工程師開發。TensorFlow使用資料流圖進行數值計算。圖中的節點表示數學運算，邊表示它們之間通訊的多維資料陣列（張量）。其架構靈活，你可以使用單個API將計算部署到桌面、伺服器或移動裝置中的一個或多個CPU或GPU。
TensorFlow提供了多種API。最低級別的API——TensorFlow Core——提供了完整的程式設計控制。高階API則建立在TensorFlow Core的頂部。這些更高級別的API通常比TensorFlow Core更容易學習和使用。此外，更高級別的API使得重複性的任務在不同的使用者之間變得更容易、更一致。一個高階API就像tf.estimator，可以幫助您管理資料集、評估器、訓練和推理。
TensorFlow中的資料中心單位是張量。一個張量由一組形成任意數量維陣列的原始值組成。張量的階就是它的維數。
一些使用Tensorflow的Google應用有：
-
RankBrain：在www.google.com上大規模部署用於搜尋排名的深度神經網路。
-
Inception影象分類模型：基準模型和對高度精確的計算機視覺模型的後續研究，它是在獲得2014年Imagenet影象分類挑戰賽的模型基礎之上進行構建的。
-
SmartReply:可自動生成電子郵件響應的Deep LSTM模型。
-
Massively Multitask Networks for Drug Discovery：Google與斯坦福大學合作的識別有效候選藥的的深度神經網路模型。
-
用於OCR的裝置級計算機視覺：基於裝置級的計算機視覺模型實現光學字元識別，進行實時翻譯。
2.Apache SystemML
利用大資料進行機器學習的最佳開源工具。
SystemML是由IBM建立的機器學習技術，是Apache中的頂級專案之一，它是一個靈活、可擴充套件的機器學習系統。SystemML的重要特點如下：
-
使用類R和類Python語言定製演算法。
-
有多種執行模式，包括Spark MLContext、Spark Batch、Hadoop Batch、Standalone和JMLC(Java機器學習聯結器)。
-
基於資料和聚類特性的自動優化，保證了演算法的高效率和可擴充套件性。
-
將SystemML視為機器學習的結構化查詢語言SQL。SystemML的最新版本（1.0.0）支援：Java 8+、Scala 2.11+、Python 2.7/3.5+、Hadoop 2.6+以及Spark 2.1+。
-
可在Apache Spark上執行，在Apache Spark上，SystemML通過逐行檢視程式碼，確保程式碼是否能夠在Apache Spark聚類上執行。
未來對SystemML的開發將包括：使用GPU進行額外的深度學習，例如匯入和執行神經網路架構以及用於訓練的預訓練模型。
SystemML的Java機器學習聯結器(JMLC)
Java機器學習聯結器（JMLC）API是一種程式設計介面，它在嵌入式時與SystemML進行互動。JMLC的主要目的是作為一個評分API，其中，評分函式是用SystemML的DML語言表示的。除了評分外，嵌入式SystemML還可在一臺機器上執行的更大的應用程式的上下文中，執行聚類等無監督學習任務。
3.Caffe
Caffe是一種清晰而高效的深度學習框架。
Caffe最初由楊慶佳在加州大學伯克利分校讀博期間發起，後來由伯克利AI研究公司（BAIR）和社群貢獻者聯合開發。它主要專注於用於計算機視覺應用的卷積神經網路。對於計算機視覺相關的任務來說，Caffe是一個不錯且較為流行的選擇，您可以在Caffe Model Zoo上註冊，下載很多已經成功建模的模型，直接用於開發。
優點:
-
Expressive架構鼓勵實用和創新。用配置定義的模型和優化，而不需要硬編碼。通過設定單個標誌在GPU機器上進行訓練，然後部署聚類或移動裝置，實現CPU和GPU之間的切換。
-
可擴充套件程式碼更有助於開發。在Caffe開發好的的第一年，就有1,000多個開發者分享了出去，對其做了重大貢獻。
-
Caffe的高速使理論實驗和實際應用得到了完美的結合。Caffe使用單個NVIDIA K40 GPU每天可處理超過6000萬張影象。
-
社群：Caffe已經為視覺、語音和多媒體領域的學術研究專案，啟動原型，甚至大規模工業應用提供支援。
#4.Apache Mahout
Apache Mahout是一個分散式線性代數框架，提供了一些經典的機器學習演算法。
Mahout旨在幫助開發人員方便快捷的實現自己的演算法。Apache Spark是一種即拿即用的分散式後臺，或者也可以將其擴充套件到其他分散式後臺。其特點如下：
-
數學表達Scala DSL。
-
支援多種分散式後端（包括Apache Spark）。
-
包含用於CPU / GPU / CUDA加速的模組化本地求解器。
-
Apache Mahout應用的領域包括：協作過濾（CF），聚類和分類。
功能
-
Taste CF.Taste 是 Sean Owen 在 SourceForge 上發起的一個針對協同過濾（CF）的開源專案，並在 2008 年被贈予 Mahout。
-
支援 Map-Reduce 的叢集實現包括 ：k-Means、模糊 k-Means、Canopy、Dirichlet 和 Mean-Shift演算法等。
-
分散式樸素貝葉斯和互補樸素貝葉斯的分類實現。
-
用於進化程式設計的分散式適應度函式。
-
矩陣和向量庫。
5.OpenNN
OpenNN是一個用c++編寫的開源類庫，它實現了神經網路建模。
Opennn (開放神經網路圖書館)以前被稱為Flood，它是以R. Lopez在2008年泰羅尼亞技術大學的博士論文《在工程變分問題的神經網路》為基礎開發的。
Opennn使用一組函式實現了資料探勘，並且，可以使用一個API將這些函式嵌入到其他軟體工具中，使軟體工具和預測分析任務之間進行互動。Opennn的主要優點就是它的高效能。由於採用c++開發，因此它有更好的記憶體管理和更高的處理速度，並利用 OpenMP 和 GPU 加速度（CUDA）實現 CPU 並行化。
Opennn包中含有單元測試、許多示例和大量文件。為神經網路演算法和應用的研究開發提供了一個有效的框架。神經網路設計是一個基於OpenNN的專業預測分析工具，這就意味著神經網路設計的神經引擎是基於 OpenNN 建立的。
OpenNN旨在從資料集和數學模型中進行學習。
資料集
特徵迴歸
模式識別
時間序列預測
數學模型
最佳控制
最佳形狀設計
資料集和數學模型
反向問題
6.Torch
Torch是一個開源機器學習庫、科學計算框架和基於Lua程式語言的指令碼語言。
功能
-
一個強大的 n 維陣列
-
有很多索引、切片、轉換的程式。
-
可使用 LuaJIT編寫簡單的C擴充套件。
-
線性代數程式
-
神經網路和基於能量的模型
-
數字優化程式
-
GPU支援，更加快速和高效
-
可嵌入，帶有 iOS 和 Android 的後臺埠
Torch供 Facebook 人工智慧研究小組、 IBM、 Yandex 和 Idiap 研究所使用。現在，它已經擴充套件到 Android 和 iOS系統上，研究人員也使用Torch來構建硬體實現資料流。
Pytorch是一個Python的開源機器學習庫，用於自然語言處理等應用，主要由 Facebook 的人工智慧研究小組開發，Uber 的概率程式設計軟體"Pyro"就是在Pytorch上建立的。
7.Neuroph
Neuroph是一種用 Java 編寫的面向物件的神經網路框架。
Neuroph可用於在Java程式中建立和訓練神經網路，它提供了Java類庫以及用於建立和訓練神經網路的GUI工具easyNeurons。Neuroph是一個輕量級的Java神經網路框架，可用於開發常見的神經網路架構。它包含一個設計良好的開源Java庫，其中包含少量與基本神經網路概念對應的基礎類。它還有一個很好的GUI神經網路編輯器來快速建立Java神經網路元件。目前，已經在Apache 2.0許可下作為開源釋出出來。
Neuroph的核心類與人工神經元、神經元層、神經元連線、權重、傳遞函式、輸入函式和學習規則等基本神經網路概念對應。Neuroph支援常見的神經網路體系結構，例如具有反向傳播，Kohonen和Hopfield網路的多層感知器。所有的這些類都可以進行擴充套件和定製，以自定義建立神經網路和學習規則。Neuroph同時也支援影象識別。
8.Deeplearning4j
Deeplearning4j是第一個為Java和Scala編寫的商業級開源分散式深度學習庫。
Deeplearning4j旨在成為頂尖的即拿即用裝置，而不是隻是做一些配置，這使得非專業人員也能夠快速的構建模型。
DL4J可以通過Keras（包括TensorFlow，Caffe和Theano）從大多數主要框架中匯入神經網路模型，它為資料科學家、資料工程師和DevOps提供了跨團隊工具包，彌合了Python生態系統和JVM之間的障礙。現在，Keras是Deeplearning4j的Python API。
功能
-
分散式 cpu 和 gpu
-
Java, Scala and Python APIs
-
適用於微服務體系結構
-
通過降低迭代次數進行並行訓練
-
在Hadoop 上可伸縮
-
在AWS擴充套件上提供Gpu 支援
庫
-
Deeplearning4J: 神經網路平臺
-
ND4J: Numpy for the JVM
-
DataVec：機器學習ETL操作的工具
-
JavaCPP：Java和C ++之間的橋樑
-
Arbiter：機器學習演算法的評估工具
-
RL4J：JVM的深度增強學習
9.Mycroft
Mycroft聲稱是世界上第一個開源助手，適用於從科學專案到企業軟體應用程式的任何事情。
Mycroft可以在任何地方執行——臺式計算機上、在汽車內或在樹莓派上執行。這是可以自由混合、自由擴充套件和改進的開源軟體。
10.OpenCog
OpenCog是一個旨在構建開源人工智慧框架的專案。
OpenCog是認知演算法的多元化組合，每種組合都體現了它們的創新之處。但是，認真遵守認知協同原則才是OpenCog整體架構強大的原因。OpenCog最初是基於2008年“Novamente Cognition Engine”（NCE）釋出的原始碼。
-
一個圖表資料庫，它包含術語、原子公式、句子和關係作為超圖。
-
一個模理論解算器，作為通用圖形查詢引擎的一部分，用於執行圖和超圖模式匹配。
-
一種稱為元優化語義進化搜尋的概率遺傳程式（MOSES），最初由在Google工作的Moshe Looks開發。
-
有一個基於 OpenPsi 和 Unity 的虛擬世界中的互動學習應用體系。
-
有一個由Link Grammar和RelEx組成的自然語言輸入系統，它們都採用類AtomSpace來表示語義和句法的關係。
-
有一個稱為SegSim的自然語言生成系統，它實現NLGen和NLGen2。
-
Psi 理論的實現，用於處理情緒狀態、驅動和衝動，稱為 OpenPsi。