五個常見 AI 開發庫

上一篇文章已經寫過了，人工智能的發展不可謂不曲折，三起兩落，不一樣的歷史階段，主流的研究方法不同，開始時的 if-else 結構，簡單的邏輯判斷字符串匹配，到後期的窮舉計算等，慢慢發展到如今的大數據與深度學習相結合的主流研究方法，逐漸體現出了較大的優點，同時也涌現出了不一樣的深度學習（機器學習）框架，如下挑選五種主流的框架進行介紹進行對比分析，以供你們參考使用：

1. TensorFlow：推薦指數 ☆☆☆☆☆

TensorFlow 可謂大名鼎鼎，是 Google 大腦團隊開發的深度學習框架，Google 現有產品幾乎都使用到了 TensorFlow，好比 Google 的郵件、搜索、語音識別和相冊等，無一例外。如今的 TensorFlow 版本已是 TensorFlow 2 了，較以前的版本有了更大的更新。TensorFlow 核心是由 C 和 C++ 語言編寫，可是其提供了幾乎完整的 Python 接口支持，能夠很是方便的進行系統的構建，同時根據不一樣的狀況，也提供了極其豐富的各平臺支持，對於移動端，有 Lite 版本用於 iOS、Android 和 IoT 設備，還有 JavaScript、nodejs、go語言，甚至還有微信小程序的相關支持，在其官網和 GitHub 都有比較詳細的文檔和實例。其優點也相對明顯，有 Google 去保證其質量和後期維護，社區和流行度也比較普及，所以算是學習和使用性價比較高的框架。

1. Keras：推薦指數 ☆☆☆☆

Keras 是一個 Python 深度學習庫，是一個相對高級的神經網絡 API，其本質是對 TensorFlow（Google）、CNTK（微軟） 和 Theano 的封裝，能夠快速的進行實驗。以上是 Karas 官網對其本身的定義，確實它在原型設計和 Demo 實驗階段表現突出，它有不少的工具，在可視化、神經網絡模型結構和數據的處理方面都很是好用，是一個須要熟悉和掌握的深度學習框架。

1. PyTorch：推薦指數 ☆☆☆☆☆

PyTorch 是另一個極其重要的機器學習框架，是 Facebook AI 研究實驗室基於 Torch 開發的，Torch 是基於 C 開發Lua 封裝的，它的優點是 GPU 支持相對其餘框架更好一些，代碼寫起來更像 Python。他跟 TensorFlow 最大的區別是 TensorFlow 用的是「靜態計算圖」，PyTorch 用的是「動態計算圖」，也就是在運行過程當中是否能夠改變模型總體計算圖，這一點在後續的文章中會再次說明。

1. NumPy：推薦指數 ☆☆☆☆

這也是一個很是流行的 Python 機器學習的庫，TensorFlow 和其餘的許多庫都使用了 NumPy 做爲他們功能的一部分，對於多維數組對象，線性代數，傅里葉變換和較強的隨機數能力表現都比較突出，值得了解一下，若是有須要更能夠深刻去學習使用。

1. scikits-learn：推薦指數 ☆☆☆☆

這也是一個機器學習的 Python 庫，它在處理複雜數據方面能力較強，包含大量的機器學習任務和數據挖掘任務的大量的算法，降維、分類、迴歸、聚類等各類模型，很是方便。在數據挖掘領域應用較多，也是一個值得深刻學習和研究的機器學習庫。

上面僅僅推薦了五我的工智能相關的庫，準確點更應該說是機器學習或深度學習的框架，從流行程度來看，咱們也大體能得出如今主流的人工智能領域研究方法也是深度學習和機器學習。這些庫在不一樣領域和不一樣方面優點各不同，本文推薦指數推薦依據，是根據適用場景和學習使用性價比主觀推薦，請讀者根據需求自行取用。

本公衆號後續文章將主要基於 TensorFlow 2 進行學習說明。

• 本文首發自微信公衆號：RAIS