资源！机器学习平台优质资源集合

为什么需要机器学习平台？

我们做计算机视觉或自然语言，懂算法、自己会开发不就行了，为什么还需要学习这些机器学习平台的使用？原因有几个：

1. 节省时间
   
2. 精度高
   

首先说一下节省时间，比如做计算机视觉过程中，我们搭一个YOLO模型，里面涉及矩阵运算、卷积运算、梯度传播、池化、dropout、激活函数、dataloader、优化算法等等，如果把这些模块都自己重新开发一边，必然会耗费很多时间，而这些模块又是相对成熟稳定的，我们大可不必在这上面耗费时间，而应该把时间用在模型的调优、场景的适配等方面，有了机器学习平台，一行命令就能解决我们用C/C++写一上午甚至更长时间的工作。

其次是精度高，有很多算法虽然流程相同，但是不同的人实现的效果却不同，例如Adam、RMSProp等，这些算法计算速度和精度由不同的人实现效果可能会有天差之别，而这些机器学习平台是Google、Facebook、亚马逊这些人工智能顶尖的企业花大力气验证和优化的，所以效率自然不在话下。

02

选择哪个机器学习平台？

机器学习平台有很多，tensorflow、pytorch、mxnet、caffe、sklearn、theno、keras，我个人推荐在tensorflow、pytorch、mxnet三个里面进行选择，因为这三个平台有以下几个优点。

1. 灵活、方便推理
   
2. 安装配置容易
   
3. 强大的社区支持
   

那tensorflow、pytorch、mxnet又怎么选择呢？我简单介绍一下这几个机器学习平台的优缺点，大家可以根据自己的判断自行选择。

tensorflow

tensorflow是一个基于计算图和会话的深度学习平台，tensorflow给我的感觉就是一个庞然大物，这几年随着Google不断的调整和往里面加功能，这个平台变得非常大，里面含有keras模块，slim模块，还有eager模式，tensorflow的优点有：

1. 基于符号式编程，速度快。
   
2. 功能丰富，既有灵活的搭建，又有keras、slim这些简洁、集成度高的模块。
   
3. 可视化好，有tensorboard这个可视化工具支撑，能够让我们更加清楚搭建的网络架构、数据流向。
   
4. 强大的社区支持，由于tensorflow用户多，所以当遇到问题的时候会相对容易找到解决方案。
   
   

当然tensorflow也有缺点，我觉得正是因为太庞大了，所以有很多功能非常混乱，基于计算图和会话搭建会很不方便。

pytorch

pytorch自从诞生之后就迅速的成为了宠儿，因为它的出现解决了很多以往深度学习平台的痛点：

1. 命令式编程，实现简单。
   
2. 数据加载API设计的好，使用方便。
   
3. 上手简单，仅凭这一点就已经很吸引人了。
   
4. 自定义扩展。
   

mxnet

这是一款有亚马逊推出的深度学习平台，最近看《动手学深度学习》时顺便把mxnet学了一遍，mxnet主要有以下几个优点：

1. 同时支持符号式编程和命令式编程，既有tensorflow的快速又有pytorch的简单。
   
2. 支持多GPU和多机分布式。
   
3. 有丰富的与训练模型。
   

03

有哪些学习资源？

上Google搜一下，会发现有很多各式各样的课程和学习资源，可谓是天花乱坠，我一直秉持一个理念“资源不再多，挑选少数有价值的好好学一下比把所有的都学一遍要有效果”，下面我就针对性的推荐一下我认为比较好的几个资源。

tensorflow

• tensorflow官方文档
  

首推当然是官方文档，官方的才是最靠谱，最了解内部详情的，官方文档比较简洁，提供了MNIST、卷积神经网络、可视化等常用的场景，而且在卷积神经网络中以cifar-10为例几乎涵盖了tensorflow常用的功能和计算图搭建流程，详细把这份文档看完基本就掌握了tensorflow的使用。

http://www.tensorfly.cn/tfdoc/tutorials/overview.html

• tensorflow_course
  

如果觉得官方文档不能够让你变成tensorflow熟手，那就试着用tensorflow完成几个机器学习算法的搭建，tensorflow_course是一个gihub资源，目前已经9.5k个star，受欢迎程度可见一斑，上面有传统算法，例如线性回归、支持向量机，也有深度学习算法，例如卷积神经网络，能够让你在学习机器学习的过程中进一步熟练tensorflow。

https://github.com/osforscience/TensorFlow-Course

• tensorflow_cookbook
  

这也是一个github项目资源，虽然不如上面这个火热，但是目前也拥有4.1k个star，和上面这个资源有些类似之处，包括传统算法和深度学习算法的实现，可以边学习机器学习知识、边学习深度学习平台。

https://github.com/nfmcclure/tensorflow_cookbook

还有一些tensorflow的系列教程，包括斯坦福的tensorflow教程，我列在下面，需要的可以自行看一下。

https://github.com/chiphuyen/stanford-tensorflow-tutorials

https://github.com/pkmital/tensorflow_tutorials

https://github.com/Hvass-Labs/TensorFlow-Tutorials

pytorch

• pytorch官方文档
  

首先推荐的当然还是官方的文档，前面已经说过，官方文档是最了解自己工具的，也知道哪些该用，哪些需要学习，所以官方文档简洁、节省时间。

https://pytorch-cn.readthedocs.io/zh/latest/

• pytorch_list
  

如果觉得官方文档内容不够，可以看一下这个github资源，目前5.4k个star，这个资源可以称得上是大合集，包括计算机视觉、自然语言处理、教程和示例、优秀文章的实现，非常全面。

https://github.com/bharathgs/Awesome-pytorch-list

mxnet

关于mxnet学习资源我只推荐一个，就是李沐的《动手学深度学习》，原因很简单，原作者出品的，质量必然值得信赖，而且这个课程以深度学习学习为目标，会讲解优化算法、卷积神经网络、自然语言处理等，在实现过程中会使用mxnet和gluon，会涉及到mxnet底层函数的实现，也会涉及到集成函数的使用，在学习过程中不知不觉就上手了。

https://zh.gluon.ai/