点击上方关注，all in ai中国
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 flow.0.0 documentation
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
作为ai社区的趋势参与者，amazon machine learning在开发自学工具方面提供了高端支持。
该框架已在其多个服务（如aws，s3和amazon redshift等）中拥有现有的用户基础。这是亚马逊的托管服务，对模型进行数据分析、模型培训和评估三个操作。
特性
即使您是一个初学者、数据科学家或开发人员，aws中都有针对每个级别的经验定制的工具。安全性至关重要，因此所有数据都是加密的。为数据分析和理解提供广泛的工具。与所有主要数据集的集成。优点
您不需要使用这个框架编写大量代码。相反，它允许您通过api与ai支持的框架进行交互。数据科学家、开发人员和ml研究人员常用。缺点
它缺乏灵活性，因为整个框架都是抽象的，所以如果您想选择一个特定的标准化或机器学习算法，就不合适。缺乏数据可视化。torchtorch | scientific computing for luajit.
torch是一个开源框架，可以支持数值运算。它为快速开发深度学习网络提供了多种算法。
它广泛用于facebook和twitter的ai实验室。有一个基于python的框架，称为pytorch，已经被证明是更简单和更可靠的。
特性
具有许多例程，可以使用n维数组模型进行索引，切片，转置。存在优化例程，主要是基于神经网络模型的数字。gpu支持非常高效。与ios和andriod轻松集成。优点
语言和集成的灵活性非常高。高水平的速度和gpu利用率。预先存在的模型可用于训练数据。缺点
文档对用户来说不是很清楚，用户学习困难。缺乏立即使用的代码，因此需要时间。它最初基于一种名为lua的编程语言，并没有多少人知道它。accord.net年。提供一组全面的示例模型和数据集，以快速启动应用程序。优点
它由一个活跃的开发团队持续支持。这个文档齐全的框架可以有效地处理数字密集型计算和可视化。使用该框架可以方便地执行算法和信号处理。它可以轻松处理数值优化和人工神经网络。缺点
与其他框架相比，它并不为人所知。与其他框架相比，它的性能较慢。apache mahoutapache mahout
apache mahout是一个开源框架，旨在开发可扩展的机器学习框架。它不涉及api本身，而是助于数据科学家和工程师实现新的机器学习算法。
特性
以scala dsl而闻名，它在数学上很有表现力支持多个分布式后端扩展优点
它有助于集群、协同过滤和分类。它的计算操作使用java库，速度更快。缺点
python库与此框架的java库不兼容。它的计算操作比spark mlib慢。spark mlibmllib | apache spark
apache支持的spark mlib框架由r、scala、java和python支持。它可以加载hadoop工作流来提供机器学习算法，如分类、回归和集群。
除了hadoop，它还可以与cloud、apache甚至独立系统集成。
特性
高性能是关键因素之一，据说比mapreduce快100倍spark非常通用，可在多种计算环境中运行优点
它可以快速处理大量的数据，因为它的工作是迭代计算。它有多种语言版本，易于插拔。它可以轻松地循环大规模的数据处理。缺点
它只能用hadoop插件。如果没有对这个框架进行大量的工作，就很难理解这个框架的机制

---