本文将会为大家介绍10个针对当今热门话题AI的开源工具/框架。

TensorFlow

它是一个机器智能的开源软件库。

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用于使用数据流图进行数值计算。图中的节点表示数学运算，而图边表示在它们之间通信的多维数据阵列（张量）。灵活的架构允许您使用单个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提供了多个API。最低级别的API，TensorFlow Core，将为您提供完整的编程控制。更高级别的API构建在TensorFlow Core之上。这些更高级别的API通常比TensorFlow Core更容易学习和使用。另外，更高级别的API使不同用户之间的重复任务更容易，更一致。像tf.estimator这样的高级API可以帮助您管理数据集、估算器、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的原始值组成。张量的阶是它的维数。

一些使用张量流的Google应用程序是：

RankBrain：在www.google.com上进行搜索排名的深度神经网络的大规模部署

初始图像分类模型：基准模型和对高度精确的计算机视觉模型的后续研究，从获得2014年Imagenet图像分类挑战的模型开始

SmartReply：Deep LSTM模型可自动生成电子邮件回复

用于药物发现的大规模多任务网络：Google与斯坦福大学合作确定有前途的候选药物的深层神经网络模型。

用于OCR的设备计算机视觉：可通过设备上的计算机视觉模型进行光学字符识别以实现实时翻译

有用的链接：

Tensorflow主页（https://www.tensorflow.org）

GitHub（https://github.com/tensorflow）

入门（https://www.tensorflow.org/get_started/get_started）

Apache SystemML

使用大数据进行机器学习的最佳工作场所。

SystemML是IBM创建的机器学习技术，已达到Apache软件基金会的顶级项目状态之一，它是一个灵活的、可扩展的机器学习系统。重要的特点是：

通过类似R和Python的语言进行算法自定义。

多种执行模式，包括Spark MLContext、Spark Ba​​tch、Hadoop Batch、Standalone和JMLC（Java机器学习连接器）。

基于数据和群集特征的自动优化可确保效率和可扩展性。

SystemML被视为用于机器学习的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上运行，它可以自动按比例缩放数据，确定代码是否应该在驱动程序或Apache Spark集群上运行。未来的SystemML开发包括额外的深度学习和GPU功能，例如导入和运行神经网络架构和预训练的训练模型。

用于SystemML的Java机器学习连接器（JMLC）

有用的链接：

SystemML主页（https://systemml.apache.org）

GitHub（https://github.com/apache/systemml）

Caffe

深思熟虑的表达、速度和模块化的深度学习框架。

Caffe项目是由YangqingJia博士在博士期间发起的。在加州大学伯克利分校，由伯克利人工智能研究（BAIR）和社区贡献者开发。它主要集中在用于计算机视觉应用的卷积网络。 Caffe是与计算机视觉相关的任务的可靠和流行的选择，您可以从Caffe Model Zoo（下面的链接）中下载许多由Caffe用户制作的成功模型，以用于开箱即用。

Caffe的优势

富有表现力的架构鼓励应用和创新。模型和优化由配置定义，无需硬编码。通过设置单个标志在GPU机器上训练，然后部署到商品群集或移动设备，在CPU和GPU之间切换。

可扩展代码促进了积极的开发。在Caffe的第一年，它已经被1,000多名开发人员分享了，并且有许多重大变化的贡献。

Speed使Caffe成为研究实验和行业部署的完美选择。 Caffe每天可以使用单个NVIDIA K40 GPU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。

有用的链接：

Caffe（http://caffe.berkeleyvision.org）

GitHub（https://github.com/BVLC/caffe）

Caffe用户组（https://groups.google.com/forum/#!forum/caffe-users）

该框架的教程演示和全天速成课程（https://docs.google.com/presentation/d/1UeKXVgRvvxg9OUdh_UiC5G71UMscNPlvArsWER41PsU/edit#.p）

Caffe Model Zoo（https://github.com/BVLC/caffe/wiki/Model-Zoo）

Apache Mahout

分布式线性代数框架和数学表达Scala DSL

Mahout旨在让数学家、统计学家和数据科学家快速实现他们自己的算法。 Apache Spark是推荐的即开即用分布式后端，或者它也可以扩展到其他分布式后端。

数学表达Scala DSL

支持多个分布式后端（包括Apache Spark）

用于CPU / GPU / CUDA加速的模块化本机解决方案

Apache Mahout目前实施的领域包括协作过滤（CF）、集群和分类

功能/应用

Taste CF是一个由SourceForge的Sean Owen开始的CF（协作过滤）开源项目，并于2008年捐赠给Mahout。

包括k-Means、模糊聚类，Canopy，Dirichlet和Mean-Shift在内的几种Map-Reduce启用聚类实现。

分布式朴素贝叶斯和Complementary Naive Bayes分类实现。

分布式适应度函数用于进化编程。

矩阵和矢量库。

所有上述算法的例子。

有用的链接：

Mahout（http://mahout.apache.org）

GitHub（https://github.com/apache/mahout）

格兰特·英格索尔对Mahout的介绍（https://www.ibm.com/developerworks/library/j-mahout/）

OpenNN

用C ++编写的开源类库，实现神经网络。

OpenNN（开放神经网络图书馆）以前被称为Flood是基于R. Lopez的博士论文。 R. Lopez的论文。

OpenNN将数据挖掘方法作为一组函数来实现。这些可以使用应用程序编程接口（API）嵌入到其他软件工具中，以用于软件工具和预测分析任务之间的交互。 OpenNN的主要优势在于其高性能。它采用C ++开发，以实现更好的内存管理和更高的处理速度，并通过OpenMP和GPU加速与CUDA实现CPU并行化。

该软件包附带单元测试、许多示例和大量文档。它为神经网络算法和应用的研究和开发提供了一个有效的框架。 Neural Designer是一款使用OpenNN的专业预测分析工具，这意味着Neural Designer的神经引擎已经使用OpenNN构建。

OpenNN旨在从数据集和数学模型中学习。

数据集

函数回归

模式识别

时间序列预测

数学模型

最佳控制

最佳的优化设计

数据集和数学模型

逆问题

有用的链接：

OpenNN主页（http://www.opennn.net）

OpenNN Artelnics GitHub（http://www.opennn.net）

Torch

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。

• 一个强大的N维数组
• 很多例程索引、切片、置换…
• 通过LuaJIT提供了C接口
• 线性代数例程
• 神经网络和基于能量的模型
• 数字优化例程
• 快速高效的GPU支持
• 可嵌入的、带有iOS和Android后端的端口

Facebook AI Research Group，IBM，Yandex和Idiap Research Institute使用Torch。它已被扩展用于Android和iOS，并且已被用于构建像神经网络中那样的数据流的硬件实现。

Facebook已经发布了一套扩展模块作为开源软件。

PyTorch是一个用于Python的开源机器学习库，用于自然语言处理等应用程序。它主要是由Facebook的人工智能研究小组开发的，优步的用于概率编程的“Pyro”软件就是基于它的。

有用的链接：

PyTorch（http://torch.ch）

GitHub（https://github.com/torch）

Neuroph

用Java编写的面向对象的神经网络框架。

Neuroph的核心类对应于人工神经元、神经元层、神经元连接、权重、传递函数、输入函数、学习规则等基本神经网络概念。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。所有这些类都可以扩展和定制，以创建自定义神经网络和学习规则。 Neuroph已经内置了对图像识别的支持。

有用的链接：

Neuroph主页（http://neuroph.sourceforge.net）

GitHub（https://github.com/neuroph/neuroph）

Deeplearning4j

第一个为Java和Scala编写的商业级开源分布式深度学习库。

Deeplearning4j的目标是成为尖端的即插即用设备，而不是配置，这使得非研究人员能够快速建立原型。

DL4J可以按比例定制。

DL4J可以通过Keras（包括TensorFlow、Caffe和Theano）从大多数主要框架导入神经网络模型，通过为数据科学家、数据工程师和DevOps提供的跨团队工具包弥合了Python生态系统和JVM之间的差距。 Keras被雇用为Deeplearning4j的Python API。

机器学习模型通过Skymind的模型服务器进行生产。

特征：

• 分布式CPU和GPU
• Java、Scala和Python API
• 适用于微服务架构
• 通过迭代减少的并行训练
• 可在Hadoop上扩展
• GPU支持在AWS上进行扩展

库：

• Deeplearning4J：神经网络平台
• ND4J：JVM的Numpy
• DataVec：机器学习ETL操作工具
• JavaCPP：Java和Native C ++之间的桥梁
• 仲裁者：机器学习算法的评估工具
• RL4J：JVM的深度增强学习

Mycroft

声称是世界上第一个开源助手，可以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。在台式计算机上、在汽车内或在Raspberry Pi上运行。这是可以自由混合、扩展和改进的开源软件。 Mycroft可用于从科学项目到企业软件应用程序的任何事情。

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，每种都体现了他们自己的创新。但是，整体架构的强大之处在于它认真遵守认知协同原则。 OpenCog最初基于Novamente LLC专有的“Novamente Cognition Engine”（NCE）于2008年发布的源代码。原始的NCE代码在PLN书中讨论（参考下文）。人工智能综合研究所（AGIRI），谷歌暑期编码项目等都支持OpenCog的持续开发。

• 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的图形数据库，给他们一个概率性的真实值的解释，被称为原子空间。
• 可满足的模块理论求解器，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（同构子图发现）。
• 基于概率逻辑网络（PLN）的概率推理引擎的实现。
• 一种称为元优化语义进化搜索的概率遗传程序演化者，或MOSES，最初由现在在Google工作的Moshe Looks开发。
• 基于经济理论的注意分配系统，ECAN。
• 虚拟世界中的交互和学习的实施系统部分基于OpenPsi和Unity。
• 由链接语法和RelEx组成的自然语言输入系统，它们都采用类似于AtomSpace的表示语义和句法关系。
• 自然语言生成系统称为SegSim，实现NLGen和NLGen2。
• Psi理论处理情绪状态、驱动器和催促的实现，被称为OpenPsi。
• 与Hanson Robotics机器人的接口，包括通过OpenPsi进行情感建模。

有用的链接：

OpenCog主页（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

關鍵字: 软件 热门话题 机器学习