机器学习必知的15大框架

2023-06-01 0 209

机器学习必知的15大框架

金蝶街道社区

概述:机器自学技师是合作开发商品和构筑演算法工程项目组中的一小部分,并保证其可信、加速和成体量地组织工作。

机器自学技师是合作开发商品和构筑演算法工程项目组中的一小部分,并保证其可信、加速和成体量地组织工作。她们和统计数据科学家密切联系来介绍专业知识和金融行业应用领域。统计数据科学研究者和机器自学技师的主要就差别是:

机器自学技师构筑、合作开发和保护机器自学控制系统的商品。

统计数据科学研究者展开展开调查科学研究逐步形成有有关机器自学工程项目的设想,接着预测来认知机器自学系统的测度负面影响。

上面是机器自学的架构如是说:

1.Apache Singa是两个用作在小型统计数据K568体能训练广度自学的通用型分布式控制系统广度自学网络平台,它是如前所述多层抽象化的单纯合作开发数学模型结构设计的。它还全力支持各式各样现阶段盛行的广度自学模型,有THF1数学模型(传递函数数学模型,CNN),热量数学模型(受到限制麦克斯韦机,RBM和循环式数学模型,RNN),还为采用者提供更多了很多嵌入层。

2.Amazon Machine Learning(AML)是一类让各式各样等级采用机器自学控制技术的合作开发者可随心所欲掌控的两个服务工程项目,提供更多了听觉辅助工具和科水狼,能辅导您在无须自学繁杂的机器自学演算法和控制技术的情况下创建机器自学。

3.Azure ML Studio允许微软Azure的采用者创建和体能训练数学模型,随后将这些数学模型转化为能被其他服务工程项目采用的API。尽管您能将自己的Azure存储链接到更大数学模型的服务工程项目,但是每个账户数学模型统计数据的存储容量最多不超过10GB。在Azure中有大量的演算法可供采用,这要感谢微软和一些第三方。甚至你都不需要注册账号,就能匿名登录,采用Azure ML Studio服务工程项目长达8小时。

4.Caffe是由伯克利听觉自学中心(BLVC)和街道社区贡献者们如前所述BSD-2-协议合作开发的两个广度自学架构,它秉承“表示、效率和模块化”的合作开发理念。数学模型和组合优化通过配置而不是硬编码实现,并且采用者可根据需要在CPU处理和GPU处理之间展开切换,Caffe的高效性使其在实验科学研究和产业部署中的表现很完美,采用单个NVIDIA K40 GPU处理器每天即可处理超过六千万张图像 。

5.H2O使人随心所欲地应用领域数学和预测预测来解决当今极具挑战性的商业问题,它巧妙的结合了目前在其他机器自学网络平台还未被使用的独有特点:最佳开源控制技术,易于采用的WebUI和熟悉的界面,全力支持常见的统计数据库和不同文件类型。用H2O,你能采用现有的语言和辅助工具。此外,也还能无缝扩展到Hadoop环境中。

6.Massive Online Analysis (MOA)是目前最受欢迎的统计数据流挖掘开源架构,拥有两个非常活跃的街道社区。它包含一系列的机器自学演算法(分类,回归,聚类,离群检测,概念漂移检测和推荐控制系统)和评价辅助工具。和WEKA工程项目一样,MOA 也是用Java编写,但扩展性更好。

7.MLlib (Spark)是Apache Spark的机器自学库,目的是让机器自学实现可伸缩性和易操作性,它由常见的自学演算法和实用程序组成,包括分类、回归、聚类,协同过滤、降维,同时包括底层优化原生语言和高层管道API。

8.Mlpack是两个如前所述C++的基础自学库 ,最早于2011年推出,据库的合作开发者声称,它秉承“可扩展性、高效性和易用性”的理念来结构设计的。执行Mlpack有两种方法:通过加速处理简易的“黑盒”操作命令行执行的缓存,或者借助C++ API处理较为繁杂的组织工作。Mlpack可提供更多单纯的能被整合到小型的机器自学解决方案中的命令行程序和C++的类。

9.Pattern是Python编程语言的web挖掘组件,有统计数据挖掘辅助工具( Google、Twitter 、Wikipedia API,网络爬虫,HTML DOM解析器),自然语言处理(词性标注,n-gram搜索,情感预测,WordNet接口),机器自学(向量空间数学模型,聚类,全力支持向量机),网络预测和<canvas>可视化。

10.Scikit-Learn为了数学和科学组织工作,如前所述现有的几个Python包(Numpy,SciPy和matplotlib)拓展了Python的采用范围。最终生成的库既可用作交互式组织工作台应用领域程序,也可嵌入到其他软件中展开复用。该辅助工具包如前所述BSD协议,是完全免费开源的,可重复利用。Scikit-Learn中含有多种用作机器自学任务的辅助工具,如聚类,分类,回归等。Scikit-Learn是由拥有众多合作开发者和机器自学科学研究者的小型街道社区合作开发的,因此,Scikit-Learn中最前沿的控制技术往往会在很短时间内被合作开发出来。

11.Shogu是最早的机器自学库之一,它创建于1999年,用C++合作开发,但并不局限于C++环境。借助SWIG库,Shogun适用作各式各样语言环境,如Java,Python,c#,Ruby,R,Lua,Octave和Mablab。Shogun旨在面向广泛的特定类型和自学配置环境展开统一的大体量自学,如分类,回归或探索性统计数据预测。

12.TensorFlow是两个采用统计数据流图展开数值运算的开源软件库,它实现了统计数据流图,其中,张量(“tensors”)可由一系列图形描述的演算法来处理,统计数据在该控制系统中的变化被称为“流”,由此而得名。统计数据流可用C++或Python编码后在CPU或GPU的设备上运行。

13.Theano是两个如前所述BSD协议发布的可定义、可优化和可数值计算的Phython库。采用Theano也能达到与用C实现大统计数据处理的速度相媲美,是全力支持高效机器自学的演算法。

14.Torch是一类广泛全力支持把GPU放在首位的机器自学演算法的科学计算架构。由于采用了单纯加速的脚本语言LuaJIT和底层的C/CUDA来实现,使得该架构易于采用且高效。Torch目标是让你通过极其单纯的过程、最大的灵活性和速度创建自己的科学演算法。Torch是如前所述Lua合作开发的,拥有两个庞大的生态街道社区驱动库包结构设计机器自学、计算机听觉、信号处理,并行处理,图像,视频,音频和网络等。

15.Veles是一套用C++合作开发的面向深层自学应用领域程序的分布式控制系统网络平台,不过它利用Python在节点间自动操作与协作任务。在相关统计数据集中到该集群之前,可对统计数据展开预测与自动标准化调整,且REST API允许将各已体能训练数学模型立即添加至生产环境当中,它侧重于性能和灵活性。Veles几乎没有硬编码,可对所有广泛认可的网络拓扑结构展开体能训练,如全传递函数数学模型,传递函数数学模型,循环式数学模型等。

未来智能实验室致力于科学研究互联网与人工智能未来发展趋势,观察评估人工智能发展水平,由中国科学院虚拟经济与统计数据科学科学研究中心刘锋、石勇、和刘颖创建。

未来智能实验室的主要就组织工作包括:创建AI智能控制系统智商评测体系,开展世界人工智能智商评测;构筑互联网(城市)云脑架构,逐步形成科技趋势标杆企业库并应用领域与金融行业与智慧城市的智能提升。

机器学习必知的15大框架

相关文章

发表评论
暂无评论
官方客服团队

为您解决烦忧 - 24小时在线 专业服务