近年来，由于AI领域的迅猛发展，AI这一词汇已经成为一个流行语。AI曾被称为是一个书呆子和天才的领域，但由于各种库和框架的发展，使更多的人开始了他们的AI之旅。

不知道自己应该选哪个AI框架和库？看看本文就知道了。本文为AI开发工程师们梳理了现在最流行的框架和库，并简单分析了它们的优缺点。

1.TensorFlow



语言：C++或Python。

当你进入AI时，你听到的框架之一就是Google的TensorFlow，TensorFlow是一个使用数据流图进行数值计算的开源框架。这个框架被称为具有允许在任何CPU或GPU上进行计算的架构，而且这个框架在Python编程语言中是可用的，这也是Python大火的原因。

TensorFlow是通过称为节点的数据层进行排序，并根据获得的信息做出决定。

优点：

—使用易于学习的语言（Python）

—使用计算图抽象

—可以使用可视化的TensorBoard

缺点：

—它很慢，因为Python不是编程语言中最快的

—不完全开源

—缺乏许多预先训练的模型

2.CNTK

语言：C++。

我们可以称之为它是微软对Google的TensorFlow的回应。

微软的CNTK是一个增强分离计算网络模块化和维护的库，它提供了学习算法和模型描述。在需要大量服务器进行操作的情况下，CNTK可以同时利用多台服务器。

据说它的功能与Google的TensorFlow相近，但是，它更快。

优点：

—允许分布式培训

—支持C++，C＃，Java和Python

—非常灵活

缺点：

—缺乏可视化

—它以一种新的语言——Network Deion Language（NDL）来实现

3.Theano

语言：Python。

Theano允许以高效率的方式进行多维数组的数值操作，是一个功能强大的Python库。

该库透明地使用GPU来执行数据密集型计算而不是CPU，因此操作效率很高。出于这个原因，Theano已经被用于为大规模的计算密集型操作长达十年的时间。然而，于2017年9月，Theano的1.0版本停止。

优点：

—有效的计算任务

—优化CPU和GPU

缺点：

—需要与其他库一起使用以获得高度的抽象

—AWS使用它上有点bug

—与其他库相比，原生Theano有点低级

4.Caffe

语言：C++。

Caffe是一个强大的深度学习框架，借助Caffe，你可以非常轻松地构建用于图像分类的卷积神经网络（CNN）。

Caffe主类：



优点：

—无需编写代码即可进行模型的训练

—Python和MATLAB都可用

缺点：

—对于RNN网络不太友好

—对于新体系结构不太友好

5.Keras

语言：Python。

Keras是一个用Python编写的开源的神经网络库，且并不是一个端到端的机器学习框架。相反，它作为一个接口，提供了一个高层次的抽象，这使得神经网络的配置变得简单，无论它坐在哪个框架上。

谷歌的TensorFlow目前支持Keras作为后端，而微软的CNTK也会在很短的时间内做到这一点。

优点：

—很容易扩展

—在CPU和GPU上无缝运行

—与Theano和TensorFlow无缝工作

缺点：

—不能有效地用作独立的框架

6.Torch

语言：C。

Torch是一个用于科学和数字操作的开源机器学习库，且是一个基于Lua编程语言的库而不是Python。

它通过提供大量的算法，使得深度学习研究更容易，且有一个强大的N维数组，这有助于切片和索引等操作。除此之外，提供了线性代数程序和神经网络模型。



优点：

—非常灵活

—高水平的速度和效率

—大量的预训练模型可用

缺点：

—缺乏即时使用的代码

—基于一种不那么流行的语言，Lua

7.Accord.NET

语言：C＃。

这是一个为C＃程序员存在的机器学习框架，Accord.NET框架是一个.NET机器学习框架，使音频和图像处理变得简单。

这个框架可以有效地处理数值优化，人工神经网络，甚至可视化。除此之外，Accord.NET对计算机视觉和信号处理功能非常强大，同时也使得算法的实现变得简单。

优点：

—有据可查的框架

—有质量可视化

缺点：

—比TensorFlow慢

8.Spark MLlib

语言：Scala。

Apache的Spark MLlib是一个非常可扩展的机器学习库。它非常适用于Java，Scala，Python甚至R等语言。它非常高效，因为它可以与Python库和R库中的numpy进行互操作。

它还提供了机器学习算法，如分类，回归和聚类。这个强大的库在处理大型数据时非常快速。

优点：

—提供支持多种语言

—对于大规模数据非常快速

缺点：

—即插即用仅适用于Hadoop

9.Sci-kit learn

语言：Python。

Sci-kit learn是一个机器学习Python库，主要用于构建模型。Sci-kit学习带有监督学习算法，无监督学习算法和交叉验证等功能。

优点：

—许多主要算法的可用性很高

—能够进行有效的数据挖掘

缺点：

—不是创建模型的最佳选择

—GPU效率不高

10.MLPack

语言：C++。

MLPack是一个用C ++实现的可扩展的机器学习库，它对于内存管理非常好。

MLPack以极高的速度运行，可以支持高质量的机器学习算法与库一起运行，而且还提供了一个简单的API帮助新手使用。

优点：

—非常容易扩展

—Python和C++都可用

缺点：

—暂时没有相关参考资料