简述
透过责任编辑他们来一同看许多用作人工智慧的高效率AI库，它的缺点和缺点，和它的许多特征。
人工智慧（AI）早已存有极短天数了。不过，虽然而此应用领域的长足产业发展，近几年它已正式成为两个金句。人工智慧曾被称作两个完备的白痴和天才少年的应用领域，但虽然各式各样合作开发库和构架的产业发展，它早已正式成为两个亲善的IT应用领域，并有许多人正走近它。
在这首诗中，他们将科学研究用作人工智慧的高质量库，它的优劣和它的许多特征。让他们深入并积极探索那些人工智慧库的当今世界！
1. TensorFlow
“采用报文图象的可伸缩式机器学习的次序”
词汇：C ++或Python。
当步入AI时，你会听见的第两个构架众所周知是Google的TensorFlow。
TensorFlow是两个采用报文图象展开值次序的开放源码应用软件。那个构架被称作具备容许在任何人CPU或GPU上展开次序的构架，不论是笔记本电脑、伺服器却是终端电子设备。那个构架在PythonC词汇中是需用的。
TensorFlow对称作结点的统计数据层展开次序，并依照所赢得的任何人重要信息作出下定决心。点选查阅详细情况！
缺点：
采用易于学习的词汇（Python）。采用次序图象抽象。用作TensorBoard的需用性的可视化。缺点：
这很慢，因为Python不是词汇中最快的。缺乏许多预先训练的模型。不完全开放源码。2. Microsoft CNTK
“开放源码深度学习工具包”
词汇：C ++。
他们可以称之为微软对Google的TensorFlow的回应。
微软的次序网络工具包是两个增强分离次序网络模块化和维护的库，提供学习算法和模型描述。
在需要大量伺服器展开操作的情况下，CNTK可以同时利用多台伺服器。
据说它的功能与Google的TensorFlow相近；但是，它会更快。在这里了解更多。
缺点：
这是非常灵活的。容许分布式训练。支持C ++、C＃、Java和Python。缺点：
它以一种新的词汇——网络描述词汇（Network Description Language , NDL）来实现。缺乏可视化。3. Theano
“值次序库”
词汇：Python。
Theano是TensorFlow的强有力竞争者，是两个功能强大的Python库，容许以高效率的方式展开涉及多维数组的值操作。
Theano库透明地采用GPU来执行统计数据密集型次序而不是CPU，因此操作效率很高。
出于那个原因，Theano早已被用作为大规模的次序密集型操作提供动力大约十年。
不过，在2017年9月，宣布Theano的主要合作开发将于2017年11月发布的1.0版本后停止。
这并不意味着它是两个不够强大的库。你仍然可以随时展开深入细致的学习科学研究。在这里了解更多。
缺点：
正确优化CPU和GPU。有效的数字任务。缺点：
与其他库相比，原生Theano有点低级。需要与其他库一同采用以赢得高度的抽象化。AWS上有点bug。4. Caffe
“快速、开放源码的深度学习构架”
词汇：C ++。
Caffe是两个强大的深度学习构架。
像那个清单上的其他构架一样，深度学习的科学研究速度非常快。
借助Caffe，您可以非常轻松地构建用作图像分类的卷积神经网络（CNN）。Caffe在GPU上运行良好，这有助于
Caffe主要的类有：
缺点：
Python和MATLAB的绑定需用。性能表现良好。无需编写代码即可展开模型的训练。缺点：
对于经常性网络不太好。新体系结构不太好。5. Keras
“人类的深度学习”
词汇：Python。
Keras是两个用Python编写的开放源码的神经网络库。
与TensorFlow、CNTK和Theano不同，Keras不是两个端到端的机器学习构架。
相反，它作为两个接口，提供了两个高层次的抽象化，这使得无论它坐落在哪个构架上，神经网络的配置都会变得容易。
谷歌的TensorFlow目前支持Keras作为后端，而微软的CNTK也会在很短的天数内做到这一点。在这里了解更多。
缺点：
它是用户亲善的。它很容易扩展。在CPU和GPU上无缝运行。与Theano和TensorFlow无缝工作。缺点：
不能有效地用作独立的构架。6. Torch
“两个开放源码的机器学习库”
词汇：C。
Torch是两个用作科学和数字操作的开放源码机器学习库。
这是两个基于LuaC词汇而非Python的库。
Torch透过提供大量的算法，使得深度学习科学研究更容易，并且提高了效率和速度。它有两个强大的N维数组，这有助于切片和索引等操作。它还提供了线性代数程序和神经网络模型。点选查阅详细情况！
缺点：
非常灵活。高水平的速度和效率。大量的预训练模型需用。缺点：
不清楚的文献记录。缺乏即时采用的即插即用代码。它基于一种不那么流行的词汇——Lua。7. Accord.NET
“机器学习、次序机视觉、统计和.NET通用科学次序”
词汇：C＃。
这是专为C＃程序员设计的。
Accord.NET构架是两个.NET机器学习构架，使音频和图像处理变得简单。
那个构架可以有效地处理值优化、人工神经网络，甚至可视化。除此之外，Accord.NET对次序机视觉和信号处理的功能非常强大，同时也使得算法的实现变得简单。点选查阅详情。
缺点：
它有两个强大而积极的合作开发团队。非常有据可查的构架。质量可视化。缺点：
不是两个非常流行的构架。比TensorFlow慢。8. Spark MLlib
“可扩展的机器学习库”
词汇：Scala。
Apache的Spark MLlib是两个非常可扩展的机器学习库。
它非常适用作诸如Java、Scala、Python，甚至R等词汇。它非常高效，因为它可以与Python库和R库中的numpy展开互操作。
MLlib可以轻松插入到Hadoop工作流程中。它提供了机器学习算法，如分类、回归和聚类。
那个强大的库在处理大型统计数据时非常快速。在网站上了解更多重要信息。
缺点：
对于大规模统计数据处理非常快速。提供多种词汇。缺点：
陡峭的学习曲线。即插即用仅适用作Hadoop。9. Sci-kit Lear
“用Python的机器学习”
词汇：Python。
Sci-kit learn是两个非常强大的机器学习Python库，主要用作构建模型。
采用numpy、SciPy和matplotlib等其他库构建，对统计建模技术（如分类、回归和聚类）非常有效。
Sci-kit learn带有监督学习算法、无监督学习算法和交叉验证等功能。点选查看详细情况！
缺点：
许多主要算法的需用性。有效的统计数据挖掘。缺点：
不是构建模型的最佳选择。GPU效率不高。10. MLPack
“可扩展的C ++机器学习库”
词汇：C ++。
MLPack是两个用C ++实现的可扩展的机器学习库。因为它是用C ++编写的，所以你可以猜测它对于内存管理是非常好的。
MLPack以极高的速度运行，因为高效率的机器学习算法与库一同出现。那个库是对新手亲善的，并提供了两个简单的API使用。点选查阅详细情况！
缺点：
非常可扩展。Python和C ++绑定需用。缺点：
不是最好的文献记录。总结
责任编辑讨论的库非常有效，并且随着天数的推移早已证明都是高效率的。像Facebook、谷歌、雅虎、苹果和微软这样的大公司都利用其中的许多库来展开深度学习和机器学习项目，那么你为什么不呢？
你能想到你经常采用的但并不在那个列表中的其他库吗？请在评论区留言与他们分享！
责任编辑原作者：Anton Shaleynikov
