已经存在很长时间，然而，由于这一领域的巨大发展，近年来它已成为一个流行语。人工智能曾经被称为一个书呆子和天才领域，但由于各种库和框架的发展，它已成为一个友好的IT领域，更多的人开始了他们的人工智能之旅。
在这篇文章中，我们将研究人工智能的高质量库的优点和缺点，以及它们的一些特点。
1. TensorFlow
“使用数据流图计算进行机器学习”
语言：C ++或Python。
当你进入AI时，你会听到的第一个框架之一就是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，无论是台式机，服务器还是移动设备，另外这个框架在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。这是它的官网！
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。
- 缺乏许多预先训练的模型。
- 不完全开源。
2.CNTK
“开源深度学习工具包”。
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，在这里了解更多。
优点：
- 非常灵活。
- 允许分布式培训。
- 支持C ++，C＃，Java和Python。
缺点：
- 它以一种新的语言——Network Description Language（NDL）来实现。
- 缺乏可视化。
3. Theano
“数值计算库”
语言：Python。
Theano是TensorFlow的强有力竞争者，它是一个功能强大的Python库，允许以高效率的方式进行多维数组的数值操作。
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，于二零一七年九月， Theano的1.0版本停止。
但这并不意味着它不再是一个强大的图书馆，你仍然可以随时进行深入的学习研究，在这里了解更多。
优点：
- 优化CPU和GPU。
- 有效的计算任务。
缺点：
- 与其他库相比，原生Theano有点低级。
- 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。
4. Caffe
“快速，开放的深度学习框架”
语言：C ++。
Caffe是一个强大的深度学习框架，像这个清单上的其他框架一样，深度学习的研究速度非常快。
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在GPU上运行的也很不错，这有助于在运行期间提高速度。查看主页获取更多信息。
Caffe主类：
优点：
- Python和MATLAB都可用。
- 表现的很好。
- 无需编写代码即可进行模型的训练。
缺点：
- 对于RNN网络不太友好。
- 对于新体系结构不太友好。
5. Keras
“为人类普及深度学习”
语言：Python。
Keras是一个用Python编写的开源的神经网络库。与TensorFlow，CNTK和Theano不同，Keras并不意味着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。在这里了解更多。
优点：
- 它对用户非常友好。
- 它很容易扩展。
- 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
“一个开源的机器学习库”
语言：C.
Torch是一个用于科学和数字操作的开源机器学习库。
这是一个基于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，并且提高了效率和速度。它有一个强大的N维数组，这有助于切片和索引等操作。它还提供了线性代数程序和神经网络模型。快来看看。
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。
- 它基于一种不那么流行的语言，Lua。
7. Accord.NET
“机器学习，计算机视觉，统计和.NET通用科学计算”。
语言：C＃。
这里是一个为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。查看主页面。
优点：
- 它有一个庞大而积极的开发团队。
- 有据可查的框架。
- 有质量可视化。
缺点：
- 不是一个非常流行的框架。
- 比TensorFlow慢。
8. Spark MLlib
“可扩展的机器学习库”
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。
MLlib可以轻松插入到Hadoop工作流程中。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。在网站上了解更多信息。
优点：
- 对于大规模数据非常快速。
- 提供支持多种语言。
缺点：
- 不是很完美的学习曲线。
- 即插即用仅适用于Hadoop。
9. Sci-kit学习
“用Python进行机器学习”
语言：Python。
Sci-kit learn是一个非常强大的机器学习Python库，主要用于构建模型。
使用numpy，SciPy和matplotlib等其他库构建，对统计建模技术（如分类，回归和聚类）非常有效。
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。点击查看官网。
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
“可扩展的C ++机器学习库”
语言：C ++。
MLPack是一个用C ++实现的可扩展的机器学习库，因为它是用C ++编写的，所以你可以猜测到它对于内存管理的非常好。
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。这个库对新手是友好的，它还提供了一个简单的API帮助新手使用。官网可以查看。
优点：
- 非常容易扩展。
- Python和C ++都可用。
缺点：
- 没有具体的参考资料。
本文由阿里云云栖社区组织翻译。
文章原标题《progressive-tools10-best-frameworks-and-libraries》
译者：虎说八道，审校：
