機(jī)器學(xué)習(xí)必知的15大框架

機(jī)器學(xué)習(xí)工程師是開(kāi)發(fā)產(chǎn)品和構(gòu)建算法團(tuán)隊(duì)中的一部分，并確保其可靠、快速和成規(guī)模地工作。他們和數(shù)據(jù)科學(xué)家密切合作來(lái)了解理論知識(shí)和行業(yè)應(yīng)用。數(shù)據(jù)專(zhuān)家和機(jī)器學(xué)習(xí)工程師的主要區(qū)別是：

機(jī)器學(xué)習(xí)工程師構(gòu)建、開(kāi)發(fā)和維護(hù)機(jī)器學(xué)習(xí)系統(tǒng)的產(chǎn)品。

數(shù)據(jù)專(zhuān)家進(jìn)行調(diào)查研究形成有關(guān)于機(jī)器學(xué)習(xí)項(xiàng)目的想法，然后分析來(lái)理解機(jī)器學(xué)習(xí)系統(tǒng)的度量影響。

下面是機(jī)器學(xué)習(xí)的框架介紹：

1.Apache Singa 是一個(gè)用于在大型數(shù)據(jù)集上訓(xùn)練深度學(xué)習(xí)的通用分布式深度學(xué)習(xí)平臺(tái)，它是基于分層抽象的簡(jiǎn)單開(kāi)發(fā)模型設(shè)計(jì)的。它還支持各種當(dāng)前流行的深度學(xué)習(xí)模型，有前饋模型（卷積神經(jīng)網(wǎng)絡(luò)，CNN），能量模型（受限玻爾茲曼機(jī)，RBM和循環(huán)神經(jīng)網(wǎng)絡(luò)，RNN），還為用戶提供了許多內(nèi)嵌層。

2.Amazon Machine Learning（AML）是一種讓各種級(jí)別使用機(jī)器學(xué)習(xí)技術(shù)的開(kāi)發(fā)人員可輕松掌握的一個(gè)服務(wù)，提供了視覺(jué)工具和向?qū)?，可以指?dǎo)您在不必學(xué)習(xí)復(fù)雜的機(jī)器學(xué)習(xí)算法和技術(shù)的情況下建立機(jī)器學(xué)習(xí)。

3.Azure ML Studio允許微軟Azure的用戶創(chuàng)建和訓(xùn)練模型，隨后將這些模型轉(zhuǎn)化為能被其他服務(wù)使用的API。盡管您可以將自己的Azure存儲(chǔ)鏈接到更大模型的服務(wù)，但是每個(gè)賬戶模型數(shù)據(jù)的存儲(chǔ)容量最多不超過(guò)10GB。在Azure中有大量的算法可供使用，這要感謝微軟和一些第三方。甚至你都不需要注冊(cè)賬號(hào)，就可以匿名登錄，使用Azure ML Studio服務(wù)長(zhǎng)達(dá)8小時(shí)。

4.Caffe是由伯克利視覺(jué)學(xué)習(xí)中心(BLVC)和社區(qū)貢獻(xiàn)者們基于BSD-2-協(xié)議開(kāi)發(fā)的一個(gè)深度學(xué)習(xí)框架，它秉承“表示、效率和模塊化”的開(kāi)發(fā)理念。模型和組合優(yōu)化通過(guò)配置而不是硬編碼實(shí)現(xiàn)，并且用戶可根據(jù)需要在CPU處理和GPU處理之間進(jìn)行切換，Caffe的高效性使其在實(shí)驗(yàn)研究和產(chǎn)業(yè)部署中的表現(xiàn)很完美，使用單個(gè)NVIDIA K40 GPU處理器每天即可處理超過(guò)六千萬(wàn)張圖像 。

5.H2O使人輕松地應(yīng)用數(shù)學(xué)和預(yù)測(cè)分析來(lái)解決當(dāng)今極具挑戰(zhàn)性的商業(yè)問(wèn)題，它巧妙的結(jié)合了目前在其他機(jī)器學(xué)習(xí)平臺(tái)還未被使用的獨(dú)有特點(diǎn)：最佳開(kāi)源技術(shù)，易于使用的WebUI和熟悉的界面，支持常見(jiàn)的數(shù)據(jù)庫(kù)和不同文件類(lèi)型。用H2O，你可以使用現(xiàn)有的語(yǔ)言和工具。此外，也還可以無(wú)縫擴(kuò)展到Hadoop環(huán)境中。

6.Massive Online Analysis (MOA)是目前最受歡迎的數(shù)據(jù)流挖掘開(kāi)源框架，擁有一個(gè)非?；钴S的社區(qū)。它包含一系列的機(jī)器學(xué)習(xí)算法（分類(lèi)，回歸，聚類(lèi)，離群檢測(cè)，概念漂移檢測(cè)和推薦系統(tǒng)）和評(píng)價(jià)工具。和WEKA項(xiàng)目一樣，MOA 也是用Java編寫(xiě)，但擴(kuò)展性更好。

7.MLlib (Spark)是Apache Spark的機(jī)器學(xué)習(xí)庫(kù)，目的是讓機(jī)器學(xué)習(xí)實(shí)現(xiàn)可伸縮性和易操作性，它由常見(jiàn)的學(xué)習(xí)算法和實(shí)用程序組成，包括分類(lèi)、回歸、聚類(lèi)，協(xié)同過(guò)濾、降維，同時(shí)包括底層優(yōu)化原生語(yǔ)言和高層管道API。

8.Mlpack是一個(gè)基于C++的基礎(chǔ)學(xué)習(xí)庫(kù) ，最早于2011年推出，據(jù)庫(kù)的開(kāi)發(fā)者聲稱(chēng)，它秉承“可擴(kuò)展性、高效性和易用性”的理念來(lái)設(shè)計(jì)的。執(zhí)行Mlpack有兩種方法：通過(guò)快速處理簡(jiǎn)易的“黑盒”操作命令行執(zhí)行的緩存，或者借助C++ API處理較為復(fù)雜的工作。Mlpack可提供簡(jiǎn)單的能被整合到大型的機(jī)器學(xué)習(xí)解決方案中的命令行程序和C++的類(lèi)。

9.Pattern是Python編程語(yǔ)言的web挖掘組件，有數(shù)據(jù)挖掘工具（ Google、Twitter 、Wikipedia API，網(wǎng)絡(luò)爬蟲(chóng)，HTML DOM解析器），自然語(yǔ)言處理（詞性標(biāo)注，n-gram搜索，情感分析，WordNet接口），機(jī)器學(xué)習(xí)（向量空間模型，聚類(lèi)，支持向量機(jī)），網(wǎng)絡(luò)分析和可視化。

10.Scikit-Learn為了數(shù)學(xué)和科學(xué)工作，基于現(xiàn)有的幾個(gè)Python包（Numpy，SciPy和matplotlib）拓展了Python的使用范圍。最終生成的庫(kù)既可用于交互式工作臺(tái)應(yīng)用程序，也可嵌入到其他軟件中進(jìn)行復(fù)用。該工具包基于BSD協(xié)議，是完全免費(fèi)開(kāi)源的，可重復(fù)利用。Scikit-Learn中含有多種用于機(jī)器學(xué)習(xí)任務(wù)的工具，如聚類(lèi)，分類(lèi)，回歸等。Scikit-Learn是由擁有眾多開(kāi)發(fā)者和機(jī)器學(xué)習(xí)專(zhuān)家的大型社區(qū)開(kāi)發(fā)的，因此，Scikit-Learn中最前沿的技術(shù)往往會(huì)在很短時(shí)間內(nèi)被開(kāi)發(fā)出來(lái)。

11.Shogu是最早的機(jī)器學(xué)習(xí)庫(kù)之一，它創(chuàng)建于1999年，用C++開(kāi)發(fā)，但并不局限于C++環(huán)境。借助SWIG庫(kù)，Shogun適用于各種語(yǔ)言環(huán)境，如Java，Python，c#，Ruby，R，Lua，Octave和Mablab。Shogun旨在面向廣泛的特定類(lèi)型和學(xué)習(xí)配置環(huán)境進(jìn)行統(tǒng)一的大規(guī)模學(xué)習(xí)，如分類(lèi)，回歸或探索性數(shù)據(jù)分析。

12.TensorFlow是一個(gè)使用數(shù)據(jù)流圖進(jìn)行數(shù)值運(yùn)算的開(kāi)源軟件庫(kù)，它實(shí)現(xiàn)了數(shù)據(jù)流圖，其中，張量（“tensors”）可由一系列圖形描述的算法來(lái)處理，數(shù)據(jù)在該系統(tǒng)中的變化被稱(chēng)為“流”，由此而得名。數(shù)據(jù)流可用C++或Python編碼后在CPU或GPU的設(shè)備上運(yùn)行。

13.Theano是一個(gè)基于BSD協(xié)議發(fā)布的可定義、可優(yōu)化和可數(shù)值計(jì)算的Phython庫(kù)。使用Theano也可以達(dá)到與用C實(shí)現(xiàn)大數(shù)據(jù)處理的速度相媲美，是支持高效機(jī)器學(xué)習(xí)的算法。

14.Torch是一種廣泛支持把GPU放在首位的機(jī)器學(xué)習(xí)算法的科學(xué)計(jì)算框架。由于使用了簡(jiǎn)單快速的腳本語(yǔ)言LuaJIT和底層的C/CUDA來(lái)實(shí)現(xiàn)，使得該框架易于使用且高效。Torch目標(biāo)是讓你通過(guò)極其簡(jiǎn)單的過(guò)程、最大的靈活性和速度建立自己的科學(xué)算法。Torch是基于Lua開(kāi)發(fā)的，擁有一個(gè)龐大的生態(tài)社區(qū)驅(qū)動(dòng)庫(kù)包設(shè)計(jì)機(jī)器學(xué)習(xí)、計(jì)算機(jī)視覺(jué)、信號(hào)處理，并行處理，圖像，視頻，音頻和網(wǎng)絡(luò)等。

15.Veles是一套用C++開(kāi)發(fā)的面向深層學(xué)習(xí)應(yīng)用程序的分布式平臺(tái)，不過(guò)它利用Python在節(jié)點(diǎn)間自動(dòng)操作與協(xié)作任務(wù)。在相關(guān)數(shù)據(jù)集中到該集群之前，可對(duì)數(shù)據(jù)進(jìn)行分析與自動(dòng)標(biāo)準(zhǔn)化調(diào)整，且REST API允許將各已訓(xùn)練模型立即添加至生產(chǎn)環(huán)境當(dāng)中，它側(cè)重于性能和靈活性。Veles幾乎沒(méi)有硬編碼，可對(duì)所有廣泛認(rèn)可的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)進(jìn)行訓(xùn)練，如全卷積神經(jīng)網(wǎng)絡(luò)，卷積神經(jīng)網(wǎng)絡(luò)，循環(huán)神經(jīng)網(wǎng)絡(luò)等。