本文將會為大家介紹10個針對當今熱門話題AI的開源工具/框架。
TensorFlow
它是一個機器智能的開源軟件庫。
TensorFlow是一個開源軟件庫，最初由Google Brain Team的研究人員和工程師開發。 TensorFlow用於使用數據流圖進行數值計算。圖中的節點表示數學運算，而圖邊表示在它們之間通信的多維數據陣列（張量）。靈活的架構允許您使用單個API將計算部署到桌面、服務器或移動設備中的一個或多個CPU或GPU。
TensorFlow提供了多個API。最低級別的API，TensorFlow Core，將為您提供完整的編程控制。更高級別的API構建在TensorFlow Core之上。這些更高級別的API通常比TensorFlow Core更容易學習和使用。另外，更高級別的API使不同用戶之間的重複任務更容易，更一致。像tf.estimator這樣的高級API可以幫助您管理數據集、估算器、訓練和推理。
TensorFlow中的數據中心單位是張量。一個張量由一組形成任意數量維數的原始值組成。張量的階是它的維數。
一些使用張量流的Google應用程序是：
RankBrain：在www.google.com上進行搜索排名的深度神經網絡的大規模部署
初始圖像分類模型：基準模型和對高度精確的計算機視覺模型的後續研究，從獲得2014年Imagenet圖像分類挑戰的模型開始
SmartReply：Deep LSTM模型可自動生成電子郵件回覆
用於藥物發現的大規模多任務網絡：Google與斯坦福大學合作確定有前途的候選藥物的深層神經網絡模型。
用於OCR的設備計算機視覺：可通過設備上的計算機視覺模型進行光學字符識別以實現實時翻譯
有用的鏈接：
Tensorflow主頁（https://www.tensorflow.org）
GitHub（https://github.com/tensorflow）
入門（https://www.tensorflow.org/get_started/get_started）
Apache SystemML
使用大數據進行機器學習的最佳工作場所。
SystemML是IBM創建的機器學習技術，已達到Apache軟件基金會的頂級項目狀態之一，它是一個靈活的、可擴展的機器學習系統。重要的特點是：
通過類似R和Python的語言進行算法自定義。
多種執行模式，包括Spark MLContext、Spark Batch、Hadoop Batch、Standalone和JMLC（Java機器學習連接器）。
基於數據和群集特徵的自動優化可確保效率和可擴展性。
SystemML被視為用於機器學習的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+和Spark 2.1+。
它可以在Apache Spark上運行，它可以自動按比例縮放數據，確定代碼是否應該在驅動程序或Apache Spark集群上運行。未來的SystemML開發包括額外的深度學習和GPU功能，例如導入和運行神經網絡架構和預訓練的訓練模型。
用於SystemML的Java機器學習連接器（JMLC）
有用的鏈接：
SystemML主頁（https://systemml.apache.org）
GitHub（https://github.com/apache/systemml）
Caffe
深思熟慮的表達、速度和模塊化的深度學習框架。
Caffe項目是由YangqingJia博士在博士期間發起的。在加州大學伯克利分校，由伯克利人工智能研究（BAIR）和社區貢獻者開發。它主要集中在用於計算機視覺應用的卷積網絡。 Caffe是與計算機視覺相關的任務的可靠和流行的選擇，您可以從Caffe Model Zoo（下面的鏈接）中下載許多由Caffe用戶製作的成功模型，以用於開箱即用。
Caffe的優勢
富有表現力的架構鼓勵應用和創新。模型和優化由配置定義，無需硬編碼。通過設置單個標誌在GPU機器上訓練，然後部署到商品群集或移動設備，在CPU和GPU之間切換。
可擴展代碼促進了積極的開發。在Caffe的第一年，它已經被1,000多名開發人員分享了，並且有許多重大變化的貢獻。
Speed使Caffe成為研究實驗和行業部署的完美選擇。 Caffe每天可以使用單個NVIDIA K40 GPU處理超過6000萬張圖像。
社區：Caffe已經為視覺、語音和多媒體領域的學術研究項目，啟動原型，甚至大規模工業應用提供支持。
有用的鏈接：
Caffe（http://caffe.berkeleyvision.org）
GitHub（https://github.com/BVLC/caffe）
Caffe用戶組（https://groups.google.com/forum/#!forum/caffe-users）
該框架的教程演示和全天速成課程（https://docs.google.com/presentation/d/1UeKXVgRvvxg9OUdh_UiC5G71UMscNPlvArsWER41PsU/edit#.p）
Caffe Model Zoo（https://github.com/BVLC/caffe/wiki/Model-Zoo）
Apache Mahout
分佈式線性代數框架和數學表達Scala DSL
Mahout旨在讓數學家、統計學家和數據科學家快速實現他們自己的算法。 Apache Spark是推薦的即開即用分佈式後端，或者它也可以擴展到其他分佈式後端。
數學表達Scala DSL
支持多個分佈式後端（包括Apache Spark）
用於CPU / GPU / CUDA加速的模塊化本機解決方案
Apache Mahout目前實施的領域包括協作過濾（CF）、集群和分類
功能/應用
Taste CF是一個由SourceForge的Sean Owen開始的CF（協作過濾）開源項目，並於2008年捐贈給Mahout。
包括k-Means、模糊聚類，Canopy，Dirichlet和Mean-Shift在內的幾種Map-Reduce啟用聚類實現。
分佈式樸素貝葉斯和Complementary Naive Bayes分類實現。
分佈式適應度函數用於進化編程。
矩陣和矢量庫。
所有上述算法的例子。
有用的鏈接：
Mahout（http://mahout.apache.org）
GitHub（https://github.com/apache/mahout）
格蘭特·英格索爾對Mahout的介紹（https://www.ibm.com/developerworks/library/j-mahout/）
OpenNN
用C ++編寫的開源類庫，實現神經網絡。
OpenNN（開放神經網絡圖書館）以前被稱為Flood是基於R. Lopez的博士論文。 R. Lopez的論文。
OpenNN將數據挖掘方法作為一組函數來實現。這些可以使用應用程序編程接口（API）嵌入到其他軟件工具中，以用於軟件工具和預測分析任務之間的交互。 OpenNN的主要優勢在於其高性能。它採用C ++開發，以實現更好的內存管理和更高的處理速度，並通過OpenMP和GPU加速與CUDA實現CPU並行化。
該軟件包附帶單元測試、許多示例和大量文檔。它為神經網絡算法和應用的研究和開發提供了一個有效的框架。 Neural Designer是一款使用OpenNN的專業預測分析工具，這意味著Neural Designer的神經引擎已經使用OpenNN構建。
OpenNN旨在從數據集和數學模型中學習。
數據集
函數迴歸
模式識別
時間序列預測
數學模型
最佳控制
最佳的優化設計
數據集和數學模型
逆問題
有用的鏈接：
OpenNN主頁（http://www.opennn.net）
OpenNN Artelnics GitHub（http://www.opennn.net）
Torch
開源機器學習庫、科學計算框架和基於Lua編程語言的腳本語言。
- 一個強大的N維數組
- 很多例程索引、切片、置換…
- 通過LuaJIT提供了C接口
- 線性代數例程
- 神經網絡和基於能量的模型
- 數字優化例程
- 快速高效的GPU支持
- 可嵌入的、帶有iOS和Android後端的端口
Facebook AI Research Group，IBM，Yandex和Idiap Research Institute使用Torch。它已被擴展用於Android和iOS，並且已被用於構建像神經網絡中那樣的數據流的硬件實現。
Facebook已經發布了一套擴展模塊作為開源軟件。
PyTorch是一個用於Python的開源機器學習庫，用於自然語言處理等應用程序。它主要是由Facebook的人工智能研究小組開發的，優步的用於概率編程的“Pyro”軟件就是基於它的。
有用的鏈接：
PyTorch（http://torch.ch）
GitHub（https://github.com/torch）
Neuroph
用Java編寫的面向對象的神經網絡框架。
Neuroph的核心類對應於人工神經元、神經元層、神經元連接、權重、傳遞函數、輸入函數、學習規則等基本神經網絡概念。Neuroph支持常見的神經網絡體系結構，例如具有反向傳播、Kohonen和Hopfield網絡的多層感知器。所有這些類都可以擴展和定製，以創建自定義神經網絡和學習規則。 Neuroph已經內置了對圖像識別的支持。
有用的鏈接：
Neuroph主頁（http://neuroph.sourceforge.net）
GitHub（https://github.com/neuroph/neuroph）
Deeplearning4j
第一個為Java和Scala編寫的商業級開源分佈式深度學習庫。
Deeplearning4j的目標是成為尖端的即插即用設備，而不是配置，這使得非研究人員能夠快速建立原型。
DL4J可以按比例定製。
DL4J可以通過Keras（包括TensorFlow、Caffe和Theano）從大多數主要框架導入神經網絡模型，通過為數據科學家、數據工程師和DevOps提供的跨團隊工具包彌合了Python生態系統和JVM之間的差距。 Keras被僱用為Deeplearning4j的Python API。
機器學習模型通過Skymind的模型服務器進行生產。
特徵：
- 分佈式CPU和GPU
- Java、Scala和Python API
- 適用於微服務架構
- 通過迭代減少的並行訓練
- 可在Hadoop上擴展
- GPU支持在AWS上進行擴展
庫：
- Deeplearning4J：神經網絡平臺
- ND4J：JVM的Numpy
- DataVec：機器學習ETL操作工具
- JavaCPP：Java和Native C ++之間的橋樑
- 仲裁者：機器學習算法的評估工具
- RL4J：JVM的深度增強學習
Mycroft
聲稱是世界上第一個開源助手，可以用於從科學項目到企業軟件應用程序的任何事情。
Mycroft可以在任何地方運行。在臺式計算機上、在汽車內或在Raspberry Pi上運行。這是可以自由混合、擴展和改進的開源軟件。 Mycroft可用於從科學項目到企業軟件應用程序的任何事情。
OpenCog
OpenCog是一個旨在構建開源人工智能框架的項目
OpenCog是認知算法的多元化組合，每種都體現了他們自己的創新。但是，整體架構的強大之處在於它認真遵守認知協同原則。 OpenCog最初基於Novamente LLC專有的“Novamente Cognition Engine”（NCE）於2008年發佈的源代碼。原始的NCE代碼在PLN書中討論（參考下文）。人工智能綜合研究所（AGIRI），谷歌暑期編碼項目等都支持OpenCog的持續開發。
- 一個圖表數據庫，它包含術語、原子公式、句子和關係作為超圖的圖形數據庫，給他們一個概率性的真實值的解釋，被稱為原子空間。
- 可滿足的模塊理論求解器，作為通用圖形查詢引擎的一部分，用於執行圖和超圖模式匹配（同構子圖發現）。
- 基於概率邏輯網絡（PLN）的概率推理引擎的實現。
- 一種稱為元優化語義進化搜索的概率遺傳程序演化者，或MOSES，最初由現在在Google工作的Moshe Looks開發。
- 基於經濟理論的注意分配系統，ECAN。
- 虛擬世界中的交互和學習的實施系統部分基於OpenPsi和Unity。
- 由鏈接語法和RelEx組成的自然語言輸入系統，它們都採用類似於AtomSpace的表示語義和句法關係。
- 自然語言生成系統稱為SegSim，實現NLGen和NLGen2。
- Psi理論處理情緒狀態、驅動器和催促的實現，被稱為OpenPsi。
- 與Hanson Robotics機器人的接口，包括通過OpenPsi進行情感建模。
有用的鏈接：
OpenCog主頁（https://opencog.org）
GitHub（https://github.com/opencog0
OpenCog Wiki（https://wiki.opencog.org/w/The_Open_Cognition_Project）
閱讀更多 AI中國 的文章
