五个常见 AI 开发库

上一篇文章已经写过了，人工智能的发展不可谓不曲折，三起两落，不同的历史阶段，主流的研究方法不一样，开始时的 if-else 结构，简单的逻辑判断字符串匹配，到后期的穷举计算等，慢慢发展到现在的大数据与深度学习相结合的主流研究方法，逐渐体现出了较大的优势，同时也涌现出了不同的深度学习（机器学习）框架，以下挑选五种主流的框架进行介绍进行对比分析，以供大家参考使用：

TensorFlow：推荐指数 ☆☆☆☆☆

TensorFlow 可谓大名鼎鼎，是 Google 大脑团队开发的深度学习框架，Google 现有产品几乎都使用到了 TensorFlow，比如 Google 的邮件、搜索、语音识别和相册等，无一例外。现在的 TensorFlow 版本已经是 TensorFlow 2 了，较之前的版本有了更大的更新。TensorFlow 核心是由 C 和 C++ 语言编写，但是其提供了几乎完整的 Python 接口支持，可以非常方便的进行系统的构建，同时根据不同的情况，也提供了极其丰富的各平台支持，对于移动端，有 Lite 版本用于 iOS、Android 和 IoT 设备，还有 JavaScript、nodejs、go语言，甚至还有微信小程序的相关支持，在其官网和 GitHub 都有比较详细的文档和实例。其优势也相对明显，有 Google 去保证其质量和后期维护，社区和流行度也比较普及，因此算是学习和使用性价比较高的框架。
Keras：推荐指数 ☆☆☆☆

Keras 是一个 Python 深度学习库，是一个相对高级的神经网络 API，其本质是对 TensorFlow（Google）、CNTK（微软）和 Theano 的封装，可以快速的进行实验。以上是 Karas 官网对其自己的定义，确实它在原型设计和 Demo 实验阶段表现突出，它有很多的工具，在可视化、神经网络模型结构和数据的处理方面都非常好用，是一个需要熟悉和掌握的深度学习框架。
PyTorch：推荐指数 ☆☆☆☆☆

PyTorch 是另外一个极其重要的机器学习框架，是 Facebook AI 研究实验室基于 Torch 开发的，Torch 是基于 C 开发Lua 封装的，它的优势是 GPU 支持相对其他框架更好一些，代码写起来更像 Python。他跟 TensorFlow 最大的区别是 TensorFlow 用的是“静态计算图”，PyTorch 用的是“动态计算图”，也就是在运行过程中是否可以改变模型整体计算图，这一点在后续的文章中会再次说明。
NumPy：推荐指数 ☆☆☆☆

这也是一个非常流行的 Python 机器学习的库，TensorFlow 和其他的许多库都使用了 NumPy 作为他们功能的一部分，对于多维数组对象，线性代数，傅里叶变换和较强的随机数能力表现都比较突出，值得了解一下，如果有需要更可以深入去学习使用。
scikits-learn：推荐指数 ☆☆☆☆

这也是一个机器学习的 Python 库，它在处理复杂数据方面能力较强，包含大量的机器学习任务和数据挖掘任务的大量的算法，降维、分类、回归、聚类等各种模型，非常方便。在数据挖掘领域应用较多，也是一个值得深入学习和研究的机器学习库。