具体而言须要表明，这是一则面向全国新手的该文。
在为数众多的开放源码机器学习架构里，浑然不觉这款适宜你。
随著人工智慧的蓬勃发展，对机器学习潜能的市场需求虽说是急速减少：从金融创新到医疗保健，各个领域都在选用如前所述机器学习的控制技术。
不过，对绝大多数民营企业和组织机构而言，表述机器学习数学模型依然是几项繁杂且天然资源专门化的组织机构工作。
若是借助于较好的机器学习架构，便能减少前述的考验。
上面即是许多最合适的开放源码架构和库，民营企业和对个人都能采用它来构筑机器学习数学模型。
Amazon Machine Learning
镜像门牌号：
https://aws.amazon.com/machine-learning/
Amazon Machine Learning(AML)为合作开发机器学习数学模型提供更多了辅助工具和科水狼。
AML透过提供更多功能强大的预测和建模基本操作，使合作开发者更容易出访机器学习。它还能相连到Redshift或Amazon S3上储存的任何人统计数据。
AML提供更多的互动式图象有利于建模输出统计数据集，以期更快地认知统计数据。 AML还管理工作运转和扩充数学模型建立所需的虚拟化和组织机构工作业务流程。
Caffe
镜像门牌号：http://caffe.berkeleyvision.org/
Caffe以构建、合作开发深度学习应用程序而闻名。
这些应用程序允许用户在不须要编写任何人代码或具备编码知识的情况下采用神经网络。
Caffe支持Windows和Mac OS x等操作系统，还部分支持多GPU训练。
Caffe2
镜像门牌号：http://caffe2.ai/
Caffe2 是 Caffe 实验性的再造，能提供更多更灵活的方法组织机构计算。
Caffe2强调功能强大性， 旨在为合作开发者提供更多一种简单直观的方式，亲身体验深度学习。
在某些情况下，你可能希望采用现有的数学模型，跳过整个“学习”的步骤，在尝试训练你自己的数学模型之前，就熟悉深度学习是如何的实用和有效。
Caffe2 的原理与 Caffe 相同，合作开发原则能概括为以下5点：
表达（Expression）：数学模型和优化被表述为纯文本模式（plaintext schema）而不是代码。速度：对学界和产业界都一样，速度对最先进的数学模型和大统计数据至关重要。模块化：新任务和设置须要灵活性和扩充性。开放性：科学和应用进步须要通用代码（common code），参考数学模型和重现性（reproducibility）。社区：学术研究、startup prototypes 和工业应用透过在 BSD-2 项目中联合讨论和合作开发，共享实力。Theano
镜像门牌号：
http://www.deeplearning.net/software/theano/
Theano是一个专门为深度学习设计的Python库。它帮助用户表述和计算数学表达式，包括多维数组。
Theano的特性包括与NumPy的集成、符号微分(symbolic differentiation)和动态C代码生成。它还能与其他库(如Keras和Blocks)一起采用，并支持Mac OS X和Linux等平台。
虽然已经停止更新，但Theano的很多特性都在现有的其他架构里被继承了下来，了解一下不会吃亏。
TensorFlow
镜像门牌号：https://www.tensorflow.org/
TensorFlow是由Google合作开发的开放源码库，它是目前为止最受欢迎且维护较好的深度学习库之一。
用户能透过采用业务流程图和名为TensorBoard的服务在TensorFlow上建立神经网络和计算数学模型，该服务提供更多简单的建模。
TensorFlow有Python和C ++两种版本。它能轻松部署在不同类型的设备上。
Torch
镜像门牌号：http://torch.ch/
Torch是另这款非常容易采用的开放源码架构。
Torch提供更多了N维数组、线性代数程序(routine)、高效的GPU支持以及用于切片和传输的程序。Torch还提供更多了多个数学模型模板。
它如前所述Lua脚本，支持Android、Windows、iOS和Mac OS X等平台。
不过，现在有了一个比Torch更快的选择，那就是接下来介绍的PyTorch。
PyTorch
镜像门牌号：http://pytorch.org/
AI的合作开发从研究到生产的过程，涉及多个步骤和辅助工具，这使得测试新方法、部署它，以及迭代以提高准确性和性能都非常耗时而且繁杂。为了帮助加速和优化这个过程，Facebook推出了PyTorch 1.0。
现在，PyTorch受欢迎的趋势，尤其是在研究人员之间，大有赶超TensorFlow之趋。
PyTorch 1.0选用了Caffe2和ONNX的模块化、面向全国生产的功能，并将它与PyTorch现有的灵活的、侧重于研究的设计结合起来，为各种AI项目提供更多从研究原型到生产部署的快速、无缝的路径。
采用PyTorch 1.0，AI合作开发者能透过在命令式执行模式和声明式执行模式之间无缝切换的混合前端进行快速实验和性能优化。PyTorch 1.0中的控制技术已经为Facebook的许多产品和服务提供更多支持，包括每天执行60亿次的文本翻译。
PyTorch 1.0包含一系列辅助工具、库、预训练的数学模型和各个合作开发阶段的统计数据集，使社区能够大规模地快速建立和部署新的AI创新。
总结机器学习架构最合适的一点是，它带有预构筑的组件，能帮助用户轻松地认知和编写数学模型。
机器学习架构越好，表述机器学习数学模型的任务就越简单。上面提到的开放源码机器学习架构能帮助大家高效、轻松地构筑机器学习数学模型。
今日学习推荐：
为了让小伙伴们更快的学习，我们为你准备了机器学习、无人驾驶实战、spark大统计数据实战班Linux从零入门实战相关方面知识，详情点击下方学习~
