本帖最后由 Gaohanqing 于 2020-10-11 13:12 编辑
人工智能开源工具（框架）- 1.TensorFlow
- 2.Apache SystemML
- 3.Caffe
- 5.OpenNN
- 6.Torch
- 7.Neuroph
- 8.Deeplearning4j
- 9.Mycroft
- 10.OpenCog
摘要： 本文讲了10个热门的人工智能开源工具/框架。
下面是我们今天要讲的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的研究人员和工程师开发。TensorFlow使用数据流图进行数值计算。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）。其架构灵活，你可以使用单个API将计算部署到桌面、服务器或移动设备中的一个或多个CPU或GPU。 TensorFlow提供了多种API。最低级别的API——TensorFlow Core——提供了完整的编程控制。高级API则建立在TensorFlow Core的顶部。这些更高级别的API通常比TensorFlow Core更容易学习和使用。此外，更高级别的API使得重复性的任务在不同的用户之间变得更容易、更一致。一个高级API就像tf.estimator，可以帮助您管理数据集、评估器、训练和推理。 TensorFlow中的数据中心单位是张量。一个张量由一组形成任意数量维数组的原始值组成。张量的阶就是它的维数。 一些使用Tensorflow的Google应用有： RankBrain：在www.google.com上大规模部署用于搜索排名的深度神经网络。 Inception图像分类模型：基准模型和对高度精确的计算机视觉模型的后续研究，它是在获得2014年Imagenet图像分类挑战赛的模型基础之上进行构建的。 SmartReply:可自动生成电子邮件响应的Deep LSTM模型。 Massively Multitask Networks for Drug Discovery：Google与斯坦福大学合作的识别有效候选药的的深度神经网络模型。 用于OCR的设备级计算机视觉：基于设备级的计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创建的机器学习技术，是Apache中的顶级项目之一，它是一个灵活、可扩展的机器学习系统。SystemML的重要特点如下： 使用类R和类Python语言定制算法。 有多种执行模式，包括Spark MLContext、Spark Batch、Hadoop Batch、Standalone和JMLC(Java机器学习连接器)。 基于数据和聚类特性的自动优化，保证了算法的高效率和可扩展性。 将SystemML视为机器学习的结构化查询语言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+。 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的开发将包括：使用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训练的预训练模型。 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的主要目的是作为一个评分API，其中，评分函数是用SystemML的DML语言表示的。除了评分外，嵌入式SystemML还可在一台机器上运行的更大的应用程序的上下文中，执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发。它主要专注于用于计算机视觉应用的卷积神经网络。对于计算机视觉相关的任务来说，Caffe是一个不错且较为流行的选择，您可以在Caffe Model Zoo上注册，下载很多已经成功建模的模型，直接用于开发。
优点: Expressive架构鼓励实用和创新。用配置定义的模型和优化，而不需要硬编码。通过设置单个标志在GPU机器上进行训练，然后部署聚类或移动设备，实现CPU和GPU之间的切换。 可扩展代码更有助于开发。在Caffe开发好的的第一年，就有1,000多个开发者分享了出去，对其做了重大贡献。 Caffe的高速使理论实验和实际应用得到了完美的结合。Caffe使用单个NVIDIA K40 GPU每天可处理超过6000万张图像。 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，甚至大规模工业应用提供支持。
4.Apache Mahout Apache Mahout是一个分布式线性代数框架，提供了一些经典的机器学习算法。 Mahout旨在帮助开发人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： 数学表达Scala DSL。 支持多种分布式后端（包括Apache Spark）。 包含用于CPU / GPU / CUDA加速的模块化本地求解器。 Apache Mahout应用的领域包括：协作过滤（CF），聚类和分类。
功能: 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，它是以R. Lopez在2008年泰罗尼亚技术大学的博士论文《在工程变分问题的神经网络》为基础开发的。 Opennn使用一组函数实现了数据挖掘，并且，可以使用一个API将这些函数嵌入到其他软件工具中，使软件工具和预测分析任务之间进行交互。Opennn的主要优点就是它的高性能。由于采用c++开发，因此它有更好的内存管理和更高的处理速度，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。为神经网络算法和应用的研究开发提供了一个有效的框架。神经网络设计是一个基于OpenNN的专业预测分析工具，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
- 特征回归
- 模式识别
- 时间序列预测
- 数学模型
- 最佳控制
- 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、科学计算框架和基于Lua编程语言的脚本语言。 功能: Torch供 Facebook 人工智能研究小组、 IBM、 Yandex 和 Idiap 研究所使用。现在，它已经扩展到 Android 和 iOS系统上，研究人员也使用Torch来构建硬件实现数据流。 Pytorch是一个Python的开源机器学习库，用于自然语言处理等应用，主要由 Facebook 的人工智能研究小组开发，Uber 的概率编程软件"Pyro"就是在Pytorch上创建的。
7.Neuroph Neuroph是一种用 Java 编写的面向对象的神经网络框架。 Neuroph可用于在Java程序中创建和训练神经网络，它提供了Java类库以及用于创建和训练神经网络的GUI工具easyNeurons。Neuroph是一个轻量级的Java神经网络框架，可用于开发常见的神经网络架构。它包含一个设计良好的开源Java库，其中包含少量与基本神经网络概念对应的基础类。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许可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、传递函数、输入函数和学习规则等基本神经网络概念对应。Neuroph支持常见的神经网络体系结构，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，这使得非专业人员也能够快速的构建模型。 DL4J可以通过Keras（包括TensorFlow，Caffe和Theano）从大多数主要框架中导入神经网络模型，它为数据科学家、数据工程师和DevOps提供了跨团队工具包，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: 库: Deeplearning4J: 神经网络平台 ND4J: Numpy for the JVM DataVec：机器学习ETL操作的工具 JavaCPP：Java和C ++之间的桥梁 Arbiter：机器学习算法的评估工具 RL4J：JVM的深度增强学习
9.Mycroft Mycroft声称是世界上第一个开源助手，适用于从科学项目到企业软件应用程序的任何事情。 Mycroft可以在任何地方运行——台式计算机上、在汽车内或在树莓派上运行。这是可以自由混合、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，每种组合都体现了它们的创新之处。但是，认真遵守认知协同原则才是OpenCog整体架构强大的原因。OpenCog最初是基于2008年“Novamente Cognition Engine”（NCE）发布的源代码。 - 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。
- 一个模理论解算器，作为通用图形查询引擎的一部分，用于执行图和超图模式匹配。
- 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工作的Moshe Looks开发。
- 有一个基于 OpenPsi 和 Unity 的虚拟世界中的交互学习应用体系。
- 有一个由Link Grammar和RelEx组成的自然语言输入系统，它们都采用类AtomSpace来表示语义和句法的关系。
- 有一个称为SegSim的自然语言生成系统，它实现NLGen和NLGen2。
- Psi 理论的实现，用于处理情绪状态、驱动和冲动，称为 OpenPsi。
| 
