人工智慧(AI)是目前最炙手可热的控制技术科学研究应用领域众所周知。IBM、Google、Google、Facebook和Amazon等绝大多数公司都在积极主动资金投入自己的研制，并全面收购在机器自学和广度自学等应用领域获得重大进展的孵化器公司。
库——插件采用的该文或思路的子集。它是两个具备可宠信标识符的文档，能被很多插件共享资源，因此您不须要数次撰写完全相同的标识符。而要相连到库。
在责任编辑中，他们将科学研究用作人工智慧的高效率库、它的优劣以及它的部份优点。我认为撷取他们的辨认出和第一印象会很有意思，能协助这些在这个妩媚的当今世界中起跑的人。
1、Spark MLlib
词汇：Scala。Apache的Spark MLlib是这款颇具适应能力的机器自学库。
它十分适用作于词汇，例如Scala，Java，Python即使是R.反之亦然，它十分有效率，因为它能与Python和R库中的numpy进行互操作性。MLlib能无须相连Hadoop工作业务流程。它提供更多机器自学演算法，比如重回，控制点和进行分类。
缺点
对小规模的统计数据来说，速率迅速。它能用多种词汇出访。缺点
Hadoop的附带，要熟识Hadoop。这是两个平缓的TypeScript。2、Keras
词汇：Python。Keras是两个用Python撰写的开放源码数学模型库。与CNTK，TensorFlow和Theano相同。Keras并不急于成为两个完结式的端到端机器自学架构。相反，它作为两个界面填充并给出高水平的反射，这使得数学模型的布置简单，无论如何，它都是坐落在其上的结构。Google的TensorFlow目前支持Keras作为后端，而Google的CNTK也将在不久的将来做到这一点。
缺点
它很容易采用。它毫不费力地可扩展。在CPU和GPU上运行完美无瑕。它与Theano和TensorFlow完美配合。缺点
不能有效率地用作自主架构。3、Caffe
词汇:C + +。Caffe是两个有效率的广度自学架构。和这个列表上的其他架构一样，它是加速高效的广度自学科学研究。有了Caffe，你能不须要太多的拉伸(CNN)卷积数学模型来进行图像排序。它在GPU上运行良好，在执行任务时速率惊人。
缺点
执行十分好。Python和MATLAB的绑定能出访。它考虑了模型的训练而不撰写标识符。缺点
新结构并不特别。可怕的复发性网络。4、Theano
词汇:Python。Theano是两个Python库，用作描述、操作、优化和评估采用计算机多项式数学系统的科学表达。如果您不太可能管理广度适应，那么您将管理大量的数值任务。Theano十分适合于这些任务，特别是符号变量、矩阵操作和容量定义，并且没有一点时间将其聚合到CPU或GPU机器标识符中。它是经验最丰富的广度自学库众所周知，这意味着它是十分牢固的，但也意味着它应该经常与相同的库一起采用，以防您须要进行高度的反思。
缺点
它对数字任务是有效率的。适当增强的CPU和GPU。缺点
与相同的库相比，Crude Theano是相当低的。应与相同的库一起采用。有些surrey 在AWS上5、Swift AI
Swift AI是Swift的广度自学和数学模型库，提供更多Mac机器的协助。该库由相同的工具组成，使开发人员能够制作数学模型，制作广度自学演算法并处理信号。作为Scala, Swift支持类型归纳。
缺点
Swift AI轻松扩展。与Objective-C的互操作性性。这是全堆的潜力。自动监视内存。跨设备支持。缺点
与旧版本的词汇缺乏后向兼容性。速率问题。6、TensorFlow
词汇:c++和Python。进入人工智慧系统时，你将听到的主要系统众所周知是Google的TensorFlow。
TensorFlow是两个采用统计数据流图完成数值计算的开放源码软件。Tensorflow架构以允许计算任何CPU或GPU(工作区域、服务器即使移动设备)而闻名。这个系统能在Python编程词汇中出访。
缺点
采用一种简单易学的词汇(Python)。它是可用的TensorBoard代表。采用计算图表。缺点
它是适中的，因为Python不是最快的词汇。TensorFlow不是完全开放源码。缺乏大量的预先准备的模型7、MXNet
MXNet是两个适应能力强且高效的广度自学库。奇妙的是它支持超过7种相同的词汇关系，包括C ++，R，Python，Javascript即使Matlab。如果您须要通过各种CPU或GPU进行培训，MXNet是您最接近的伙伴，因为它支持分发注册。
缺点
它适应能力强，结构紧迫。基本的，易于理解的标识符。高性能和动态图形。缺点
这可能会通过各种设置给出相同的结果。撰写自己的层有点困难。8、Nervana Neon
neurana和Intel联合生产了下一代精明的专家和插件，Neon开发了基于python的开放源码机器自学库。Neon为开发人员提供更多了构建、准备和传递云应用领域深入自学的机会。Neon有很多视频教学练习和model zoo，里面有预训练过的演算法和案例脚本。
缺点
这是一种更简单的运行Neon的方法。Nervana Neon framework是最快的系统。缺点
分散的依赖性。它有太多的错误。9、Deeplearning4j
DeepLearning4J称它本身是两个开放源码的，分发给JVM的广度自学库。它适合训练，转移广度自学系统并能在不失去速率的情况下处理巨大的信息。它反之亦然能与Hadoop和Spark结合，并且能在没有任何准备的情况下在计算中实现自学演算法。另外，鉴于它与Java一起工作，您应该在没有其他人的情况下制定明确的类来将架构包括在一起，而不是采用不须要制定显式类的Python。
缺点
它分散CPU和GPU。它针对微服务架构进行了调整。通过迭代平行训练减少。适应Hadoop10、Scikit-Learn
Scikit-learn是两个针对Python的开放源码机器自学架构，用作统计数据可视化、统计数据分析和统计数据挖掘。对重回、特征、控制点、模型选择、降维等都有一定的参考价值。它基于matplotlib、NumPy和SciPy。绑定包基于SciPy的最高点，并充分利用其数学任务。
缺点
它是统计数据挖掘和统计数据分析的简单而有效率的设备。开放源码，可用- BSD许可。每个人都能采用，并且能在相同的上下文中宠信。它基于NumPy、SciPy和matplotlib。缺点
11、Torch
词汇：C. Torch是用作逻辑和数字活动的开放源码机器自学库。通过提供更多大量的演算法，它能减少要求苛刻的广度自学科学研究并提高生产力和速率。它有两个有能力的N维数组，能协助执行任务，比如切片和索引。它还提供更多线性代数例程和数学模型模型。
缺点
一批预先训练好的模型可供采用。它十分灵活。高水平的速率和熟练程度。缺点
没有合适的标识符，能加速采用。模糊的文档。这取决于两个不是很突出的词汇，Lua。12、Microsoft CNTK
词汇：C ++。他们能称这是微软对Google的TensorFlow的回应。Google的计算网络工具包是两个库，它能升级模块化和分离计算系统的支持，给出自学演算法和模型描述。与此同时，Google的CNTK能在很多服务器须要运行的情况下利用大量的服务器。它能用来协助你有效率地结合相同类型的数学模型，具备非凡的执行力，允许分布式训练，并且是可适应的。
缺点
它允许分布式培训。它十分适应。它支持C ++，C＃，Java和Python。缺点
它以另一种词汇网络描述词汇（NDL）执行。没有可视化。13、Accord.NET
词汇:c#。这里是两个C＃程序员。Accord.NET架构是两个.NET机器自学架构，能简化音频和图片处理。这个架构能熟练地处理数值优化，人工数学模型，即使表示。除此之外，Accord.NET对计算机视觉和标志处理十分有效率，并且能简化演算法的采用
它的架构文档十分丰富。它拥有两个庞大而充满活力的发展团队。良好的视觉效果。缺点
它不是两个十分有名的架构。与TensorFlow的对比要弱一些。14、MLPack
词汇:C + +。MLPack是在c++中实现的一种适应能力强的机器自学库。这对内存管理很有协助。MLPack继续以惊人的速率运行，高效率的机器自学演算法加入到库中。这个库并不友好，并且提供更多了两个能采用的简单API。
缺点
它的用途十分广泛。能采用Python和c++绑定。缺点
文档不够完善。15、Sci-kit Learn
词汇:Python。scikit Learn是两个用作机器自学的强大的Python库，它作为构建模型的一部份被大量采用。利用相同的库(比如SciPy、numpy和matplotlib)进行构建，对于建模控制技术来说十分有用。scikit Learn 亮点，如托管自学演算法、交叉验证和无监督自学演算法。
缺点
精通统计数据挖掘。大量的主要演算法的可出访性。缺点
建立模型不是最好的。GPU的效率不是很高。16、Pybrain
PyBrain是两个开放源码的机器自学库。PyBrain是两个完全以Python为基础的架构，它的目的是让开发人员能够利用它，开发人员能是这些刚刚开始科学研究Pytho的学生，也能是数学模型应用领域的计算机科学科学研究人员。PyBrains库由演算法组成，这些演算法使开发人员能够处理想法，比如强化自学。
缺点
它是两个易于采用的特殊库。不断增长的新条件和增强演算法。它总是尝试逐步和更快的可用性。用来做真正的事的工具。17、IBM Watson
它利用分析能力和人工智慧来重复人类的能力，以理想的方式回答问题。它能协助您根据完全知情的决策制定非凡的商业知识，并根据知情决定作出决定。IBM Watson被称为问答应答机。IBM反之亦然保证您的统计数据具备当今世界级的安全性和加密能力，并且除非您声明能，否则他们不会共享资源您的统计数据。
缺点
它确保您的统计数据具备当今世界级的安全性。缺点
它不直接处理有组织的统计数据和交换，整合费用高昂。18、Azure Machine Learning
如果您没有高级的编程能力，但是，您希望进入机器自学，您应该考虑Azure机器自学。这种基于云计算的服务提供更多了工具，将预测模型作为科学安排发送。反之亦然，它也能用来测试机器自学模型、运行演算法和制作推荐架构，以给出一些例子。然而，它被批评为它的执行不力和不直观的用户界面，特别是在撰写标识符方面。
缺点
R脚本的支持。用“简化”的方法来处理架构实验。团队执行简单。缺点
未能看到演示内容。限制容量的免费版本。用作制作和查找类似模型的相同副本的方法很困难。19、Lasagne
在Theano中构建和训练数学模型的轻量级库。它还支持卷积数学模型（CNN），包括长期短期记忆（LSTM）在内的 intermittent networks。由于Theano的外观编译器，它提供更多了cpu和gpu的直接协助。然而，Keras有更好的文档并且更完整
20、DSSTNE
两个十分酷的架构，但它经常被忽视。它并不意味着要深入科学研究，也不意味着要测试想法，它是两个用作生产的架构。它是在CNTKand CNTK和Tensorflow之后发布的众多开放源码广度自学库中的两个。自那以后，Amazon一直在用AWS赞助MxNet，因此它的未来并不明朗。DSSTNE一般是用c++撰写的，它具备加速的所有特征，尽管它并没有像其他库那样吸引广泛的组。
缺点
它处理稀疏编码。缺点
Amazon选择了另两个在AWS上采用的架构，MxNet。21、DyNet
DyNet,动态数学模型工具箱,离开了卡内基梅隆大学,过去被称为CNN。它引人注目的特点是动态计算图，它考虑了相同长度的贡献，这对NLP来说十分棒。PyTorch和Chainer也是如此。
缺点
它是动态计算图。缺点
小的用户社区22、OpenNN
OpenNN是为开发人员实现数学模型的C ++编程库。它包含了大量的文档和教学练习，其中包括数学模型的序言，尽管OpenNN对有很多人工智慧参与的开发者来说已经消失了。OpenNN另外还构建了两个称为Neural Designer的高级分析设备，该设备预计通过制作视觉内容（比如图表和表格）来改进和翻译统计数据段落。
缺点
这种深层架构允许具备一般估计优点的数学模型的计划。高级分析的高级图书馆。
