下面是我们本日要讲的10个热门的人工智能开源工具/框架。

1.TensorFlow

TensorFlow™是一个开源软件库，最初由Google Brain Team的研究职员和工程师开拓。
TensorFlow利用数据流图进行数值打算。
图中的节点表示数学运算，边表示它们之间通信的多维数据数组（张量）。
其架构灵巧，你可以利用单个API将打算支配到桌面、做事器或移动设备中的一个或多个CPU或GPU。

TensorFlow供应了多种API。
最低级别的API——TensorFlow Core——供应了完全的编程掌握。
高等API则建立在TensorFlow Core的顶部。
这些更高等别的API常日比TensorFlow Core更随意马虎学习和利用。
此外，更高等别的API使得重复性的任务在不同的用户之间变得更随意马虎、更同等。
一个高等API就像tf.estimator，可以帮助您管理数据集、评估器、演习和推理。

TensorFlow中的数据中央单位是张量。
一个张量由一组形成任意数量维数组的原始值组成。
张量的阶便是它的维数。

一些利用Tensorflow的Google运用有：

1.RankBrain：在www.google.com上大规模支配用于搜索排名的深度神经网络。

2.Inception图像分类模型：基准模型和对高度精确的打算机视觉模型的后续研究，它是在得到2014年Imagenet图像分类寻衅赛的模型根本之上进行构建的。

3.SmartReply:可自动天生电子邮件相应的Deep LSTM模型。

4.Massively Multitask Networks for Drug Discovery：Google与斯坦福大学互助的识别有效候选药的的深度神经网络模型。

5.用于OCR的设备级打算机视觉：基于设备级的打算机视觉模型实现光学字符识别，进行实时翻译。

2.Apache SystemML

利用大数据进行机器学习的最佳开源工具。

SystemML是由IBM创建的机器学习技能，是Apache中的顶级项目之一，它是一个灵巧、可扩展的机器学习系统。
SystemML的主要特点如下：

1.利用类R和类Python措辞定制算法。

2.有多种实行模式，包括Spark MLContext、Spark Batch、Hadoop Batch、Standalone和JMLC(Java机器学习连接器)。

3.基于数据和聚类特性的自动优化，担保了算法的高效率和可扩展性。

4.将SystemML视为机器学习的构造化查询措辞SQL。
SystemML的最新版本（1.0.0）支持：Java 8+、Scala 2.11+、Python 2.7/3.5+、Hadoop 2.6+以及Spark 2.1+。

5.可在Apache Spark上运行，在Apache Spark上，SystemML通过逐行查看代码，确保代码是否能够在Apache Spark聚类上运行。

未来对SystemML的开拓将包括：利用GPU进行额外的深度学习，例如导入和运行神经网络架构以及用于演习的预演习模型。

SystemML的Java机器学习连接器(JMLC)

Java机器学习连接器（JMLC）API是一种编程接口，它在嵌入式时与SystemML进行交互。
JMLC的紧张目的是作为一个评分API，个中，评分函数是用SystemML的DML措辞表示的。
除了评分外，嵌入式SystemML还可在一台机器上运行的更大的运用程序的高下文中，实行聚类等无监督学习任务。

3.Caffe

Caffe是一种清晰而高效的深度学习框架。

Caffe最初由杨庆佳在加州大学伯克利分校读博期间发起，后来由伯克利AI研究公司（BAIR）和社区贡献者联合开拓。
它紧张专注于用于打算机视觉运用的卷积神经网络。
对付打算机视觉干系的任务来说，Caffe是一个不错且较为盛行的选择，您可以在Caffe Model Zoo上注册，***很多已经成功建模的模型，直接用于开拓。

优点

1.Expressive架构鼓励实用和创新。
用配置定义的模型和优化，而不须要硬编码。
通过设置单个标志在GPU机器上进行演习，然后支配聚类或移动设备，实现CPU和GPU之间的切换。

2.可扩展代码更有助于开拓。
在Caffe开拓好的的第一年，就有1,000多个开拓者分享了出去，对其做了重大贡献。

3.Caffe的高速使理论实验和实际运用得到了完美的结合。
Caffe利用单个NVIDIA K40 GPU每天可处理超过6000万张图像。

4.社区：Caffe已经为视觉、语音和多媒体领域的学术研究项目，启动原型，乃至大规模工业运用供应支持。

4.Apache Mahout

Apache Mahout是一个分布式线性代数框架，供应了一些经典的机器学习算法。

Mahout旨在帮助开拓职员方便快捷的实现自己的算法。
Apache Spark是一种即拿即用的分布式后台，或者也可以将其扩展到其他分布式后台。
其特点如下：

1.数学表达Scala DSL。

2.支持多种分布式后端（包括Apache Spark）。

3.包含用于CPU / GPU / CUDA加速的模块化本地求解器。

4.Apache Mahout运用的领域包括：协作过滤（CF），聚类和分类。

功能

1.Taste CF.Taste 是 Sean Owen 在 SourceForge 上发起的一个针对协同过滤（CF）的开源项目，并在 2008 年被赠予 Mahout。

2.支持 Map-Reduce 的集群实现包括 ：k-Means、模糊 k-Means、Canopy、Dirichlet 和 Mean-Shift算法等。

3.分布式朴素贝叶斯和互补朴素贝叶斯的分类实现。

4.用于进化编程的分布式适应度函数。

5.矩阵和矢量库。

5.OpenNN

OpenNN是一个用c++编写的开源类库，它实现了神经网络建模。

Opennn (开放神经网络图书馆)以前被称为Flood，它因此R. Lopez在2008年泰罗尼亚技能大学的博士论文《在工程变分问题的神经网络》为根本开拓的。

Opennn利用一组函数实现了数据挖掘，并且，可以利用一个API将这些函数嵌入到其他软件工具中，使软件工具和预测剖析任务之间进行交互。
Opennn的紧张优点便是它的高性能。
由于采取c++开拓，因此它有更好的内存管理和更高的处理速率，并利用 OpenMP 和 GPU 加速度（CUDA）实现 CPU 并行化。

Opennn包中含有单元测试、许多示例和大量文档。
为神经网络算法和运用的研究开拓供应了一个有效的框架。
神经网络设计是一个基于OpenNN的专业预测剖析工具，这就意味着神经网络设计的神经引擎是基于 OpenNN 建立的。

OpenNN旨在从数据集和数学模型中进行学习。

数据集

特色回归

模式识别

韶光序列预测

数学模型

最佳掌握

最佳形状设计

数据集和数学模型

反向问题

6.Torch

Torch是一个开源机器学习库、科学打算框架和基于Lua编程措辞的脚本措辞。

功能

1.一个强大的 n 维数组

2.有很多索引、切片、转换的程序。

3.可利用 LuaJIT编写大略的C扩展。

4.线性代数程序

5.神经网络和基于能量的模型

6.数字优化程序

7.GPU支持，更加快速和高效

8.可嵌入，带有 iOS 和 Android 的后年夜驾口

Torch供 Facebook 人工智能研究小组、 IBM、 Yandex 和 Idiap 研究所利用。
现在，它已经扩展到 Android 和 iOS系统上，研究职员也利用Torch来构建硬件实现数据流。

Pytorch是一个Python的开源机器学习库，用于自然措辞处理等运用，紧张由 Facebook 的人工智能研究小组开拓，Uber 的概率编程软件\"大众Pyro\"大众便是在Pytorch上创建的。

7.Neuroph

Neuroph是一种用 Java 编写的面向工具的神经网络框架。

Neuroph可用于在Java程序中创建和演习神经网络，它供应了Java类库以及用于创建和演习神经网络的GUI工具easyNeurons。
Neuroph是一个轻量级的Java神经网络框架，可用于开拓常见的神经网络架构。
它包含一个设计良好的开源Java库，个中包含少量与基本神经网络观点对应的根本类。
它还有一个很好的GUI神经网络编辑器来快速创建Java神经网络组件。
目前，已经在Apache 2.0容许下作为开源发布出来。

Neuroph的核心类与人工神经元、神经元层、神经元连接、权重、通报函数、输入函数和学习规则等基本神经网络观点对应。
Neuroph支持常见的神经网络体系构造，例如具有反向传播，Kohonen和Hopfield网络的多层感知器。
所有的这些类都可以进行扩展和定制，以自定义创建神经网络和学习规则。
Neuroph同时也支持图像识别。

8.Deeplearning4j

Deeplearning4j是第一个为Java和Scala编写的商业级开源分布式深度学习库。

Deeplearning4j旨在成为顶尖的即拿即用设备，而不是只是做一些配置，这使得非专业职员也能够快速的构建模型。

DL4J可以通过Keras（包括TensorFlow，Caffe和Theano）从大多数紧张框架中导着迷经网络模型，它为数据科学家、数据工程师和DevOps供应了跨团队工具包，弥合了Python生态系统和JVM之间的障碍。
现在，Keras是Deeplearning4j的Python API。

功能

1.分布式 cpu 和 gpu

2.Java, Scala and Python APIs

3.适用于微做事体系构造

4.通过降落迭代次数进行并行演习

5.在Hadoop 上可伸缩

6.在AWS扩展上供应Gpu 支持

库

1.Deeplearning4J: 神经网络平台

2.ND4J: Numpy for the JVM

3.DataVec：机器学习ETL操作的工具

4.JavaCPP：Java和C ++之间的桥梁

5.Arbiter：机器学习算法的评估工具

6.RL4J：JVM的深度增强学习

9.Mycroft

Mycroft声称是天下上第一个开源助手，适用于从科学项目到企业软件运用程序的任何事情。

Mycroft可以在任何地方运行——台式打算机上、在汽车内或在树莓派上运行。
这是可以自由稠浊、自由扩展和改进的开源软件。

10.OpenCog

OpenCog是一个旨在构建开源人工智能框架的项目。

OpenCog是认知算法的多元化组合，每种组合都表示了它们的创新之处。
但是，负责遵守认知协同原则才是OpenCog整体架构强大的缘故原由。
OpenCog最初是基于2008年“Novamente Cognition Engine”（NCE）发布的源代码。

1.一个图表数据库，它包含术语、原子公式、句子和关系作为超图。

2.一个模理论解算器，作为通用图形查询引擎的一部分，用于实行图和超图模式匹配。

3.一种称为元优化语义进化搜索的概率遗传程序（MOSES），最初由在Google事情的Moshe Looks开拓。

4.有一个基于 OpenPsi 和 Unity 的虚拟天下中的交互学习运用体系。

5.有一个由Link Grammar和RelEx组成的自然措辞输入系统，它们都采取类AtomSpace来表示语义和句法的关系。

6.有一个称为SegSim的自然措辞天生系统，它实现NLGen和NLGen2。

7.Psi 理论的实现，用于处理感情状态、驱动和冲动，称为 OpenPsi。

本文为云栖社区原创内容，未经许可不得转载。