10種機器學(xué)習(xí)的工具和框架

10種機器學(xué)習(xí)的工具和框架。

1.亞馬遜Sagemaker

AWS re：Invent 2017上宣布的一款重大產(chǎn)品就是正式發(fā)布的亞馬遜Sagemaker，這種新的框架簡化了構(gòu)建機器學(xué)習(xí)模型并部署到云端的任務(wù)。

這項服務(wù)對于并不深入了解機器學(xué)習(xí)的開發(fā)人員來說非常有用，因為它為開發(fā)人員提供了一系列預(yù)先構(gòu)建的開發(fā)環(huán)境，基于流行的Jupyter筆記本格式。如果數(shù)據(jù)科學(xué)家不希望花費大量時間，就可以在AWS上構(gòu)建有效的機器學(xué)習(xí)系統(tǒng)，并對性能進行微調(diào)，就會發(fā)現(xiàn)這項服務(wù)大有用處。

相關(guān)鏈接：

https://datahub.packtpub.com/machine-learning/amazon-sagemaker-machine-learning-service/

2.DSSTNE

DSSTNE（通常名為Destiny）是亞馬遜提供的另一款產(chǎn)品，這種開源庫被用于開發(fā)機器學(xué)習(xí)模型。它的主要優(yōu)勢在于可以用來訓(xùn)練和部署處理稀疏輸入的推薦模型。使用DSSTNE開發(fā)的模型經(jīng)訓(xùn)練后可以使用多個GPU，具有可擴展性，并針對快速性能進行了優(yōu)化。

該庫在GitHub上有近4000顆星，它是2018年值得關(guān)注的另一款工具！

相關(guān)鏈接：https://github.com/amzn/amazon-dsstne

3.Azure機器學(xué)習(xí)工作臺

早在2014年，微軟就發(fā)布了Azure機器學(xué)習(xí)工具，將機器學(xué)習(xí)和人工智能功能放到云端。不過這嚴格來說是一種純云服務(wù)。在今年9月召開的Ignite 2017大會上，微軟宣布了下一代Azure端機器學(xué)習(xí)工具，通過Azure機器學(xué)習(xí)工作臺，為眾多企業(yè)組織帶來機器學(xué)習(xí)功能。

Azure機器學(xué)習(xí)工具臺是一個跨平臺客戶軟件，它在Windows機器和蘋果機器上都可以運行。它是為想要執(zhí)行數(shù)據(jù)操縱和處理任務(wù)的數(shù)據(jù)科學(xué)家和機器學(xué)習(xí)開發(fā)人員量身打造的。它為確?？蓴U展性而構(gòu)建，用戶可以從一系列廣泛的數(shù)據(jù)源獲得直觀的洞察力，并用于數(shù)據(jù)建模任務(wù)。

相關(guān)鏈接：https://azure.microsoft.com/en-in/services/machine-learning-services/

4.Neon

早在2016年，英特爾宣布斥資3.5億美元收購Nervana，打算成為人工智能市場的大玩家。Nervana是一家人工智能初創(chuàng)公司，一直在為機器學(xué)習(xí)開發(fā)軟硬件。有了Neon，他們現(xiàn)在擁有一個快速、高性能的深度學(xué)習(xí)框架，專門為了在最近宣布的Nervana神經(jīng)網(wǎng)絡(luò)處理器上運行而設(shè)計。

Neon在設(shè)計當(dāng)初力求易于使用，并支持與iPython筆記本集成，它支持常見的深度學(xué)習(xí)模型，比如CNN、RNN、LSTM及其他模型。該框架顯示出日臻完善的跡象，在GitHub上有3000多顆星。Neon勢必會在未來幾年挑戰(zhàn)幾大深度學(xué)習(xí)庫。

相關(guān)鏈接：https://github.com/NervanaSystems/neon

5.微軟DMLT

企業(yè)在機器學(xué)習(xí)方面面臨的主要挑戰(zhàn)之一是，需要迅速擴展模型，在盡量減少資源使用的同時，又不犧牲性能。微軟的分布式機器學(xué)習(xí)框架（DMLT）旨在做到這一點。DMLT由微軟開放源代碼，那樣它可以從社區(qū)獲得更廣泛的支持。它讓機器學(xué)習(xí)開發(fā)人員和數(shù)據(jù)科學(xué)家拿來單機器算法后可以擴大其規(guī)模，進而構(gòu)建高性能分布式模型。

DMLT主要專注于分布式機器學(xué)習(xí)算法，讓你可以輕松地執(zhí)行諸如字嵌入、采樣和梯度提升之類的任務(wù)。該框架目前還不支持對深度學(xué)習(xí)模型進行訓(xùn)練，不過我們預(yù)計這項功能很快就會被添加到該框架中。

相關(guān)鏈接：http://www.dmtk.io/

6.谷歌云機器學(xué)習(xí)引擎

云機器學(xué)習(xí)引擎被認為是谷歌主要的機器學(xué)習(xí)產(chǎn)品，它讓你可以比較輕松地針對各種各樣的數(shù)據(jù)來構(gòu)建機器學(xué)習(xí)模型。該平臺充分利用流行的Tensorflow機器學(xué)習(xí)框架，可用于執(zhí)行大規(guī)模預(yù)測分析。它還讓你可以使用流行的HyperTune功能，對機器學(xué)習(xí)模型的性能進行微調(diào)和優(yōu)化。

由于無服務(wù)器架構(gòu)支持自動監(jiān)控、配置和擴展，機器學(xué)習(xí)引擎確保你只需要為想要訓(xùn)練哪種機器學(xué)習(xí)模型而操心。這項功能尤其適用于期望外出時可以構(gòu)建大規(guī)模模型的機器學(xué)習(xí)開發(fā)人員。

相關(guān)鏈接：https://cloud.google.com/ml-engine/

7.蘋果Core ML

Core ML框架由蘋果開發(fā)，旨在幫助iOS開發(fā)人員構(gòu)建更智能的應(yīng)用程序，它是讓Siri更智能的秘訣。它充分利用CPU的功能和GPU的功能，讓開發(fā)人員得以構(gòu)建不同類型的機器學(xué)習(xí)和深度學(xué)習(xí)模型，然后這些模型可以無縫集成到iOS應(yīng)用程序中。Core ML支持所有常用的機器學(xué)習(xí)算法，比如決策樹、支持向量機和線性模型等等。

Core ML的功能針對實際環(huán)境的諸多使用場合，比如自然語言處理和計算機視覺等，因而外出時可以在蘋果設(shè)備上分析數(shù)據(jù)，無需導(dǎo)入到模型來學(xué)習(xí)。

相關(guān)鏈接：https://developer.apple.com/machine-learning/

8.蘋果Turi Create

在許多情況下，iOS開發(fā)人員想要定制希望集成到所開發(fā)的應(yīng)用程序中的機器學(xué)習(xí)模型。為此，蘋果推出了Turi Create。該庫讓你得以專注于手頭的任務(wù)，而不是決定使用哪種算法。那樣就可以在數(shù)據(jù)集、模型需要運行的規(guī)模以及需要將模型部署到哪個平臺方面做到很靈活。

Turi Create用起來很方便，可用于為推薦、圖像處理、文本分類及眾多任務(wù)構(gòu)建自定義模型。你只需要對Python有所了解，即可上手！

相關(guān)鏈接：https://github.com/apple/turicreate

9.Convnetjs

深度學(xué)習(xí)不僅僅出現(xiàn)在超級計算機和機器集群上，現(xiàn)在它還切實出現(xiàn)在你的互聯(lián)網(wǎng)瀏覽器上！現(xiàn)在你使用流行的基于Javascript的Convnetjs庫，就可以直接在瀏覽器上訓(xùn)練先進的機器學(xué)習(xí)和深度學(xué)習(xí)模型，不需要CPU或GPU。

該庫最初由特斯拉公司的現(xiàn)任人工智能主管安德烈？卡帕錫（Andrej Karpathy）編寫，此后被開源，在社區(qū)的積極貢獻下有所擴展。你可以直接在瀏覽器上輕松訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)，甚至訓(xùn)練強化學(xué)習(xí)模型，這有賴于這個非常獨特而有用的庫提供支持。這個庫適合不想購買專業(yè)硬件來訓(xùn)練計算密集型模型的那些人。Convnetjs在GitHub上有近9000顆星，它儼然是2017年的明星項目之一，迅速成為深度學(xué)習(xí)方面的首選庫。

相關(guān)鏈接：http://cs.stanford.edu/people/karpathy/convnetjs/

10.BigML

BigML是一家知名的機器學(xué)習(xí)公司，為開發(fā)機器學(xué)習(xí)模型提供了一個易于使用的平臺。使用BigML的REST API，你可以在其平臺上順暢無阻地訓(xùn)練機器學(xué)習(xí)模型。它讓你可以執(zhí)行不同的任務(wù)，比如異常檢測和時間序列預(yù)測，還可以構(gòu)建執(zhí)行實時預(yù)測分析的應(yīng)用程序。

借助BigML，你可以在本地或在云端部署模型，可以靈活地選擇運行機器學(xué)習(xí)模型所需要的那種環(huán)境。BigML恪守承諾，力求“使機器學(xué)習(xí)對每個人而言都異常簡單”。

由于微軟、亞馬遜和谷歌都競相成為人工智能領(lǐng)域的霸主，2018年可能會是人工智能領(lǐng)域發(fā)展迎來突破的一年。除此之外還有旨在為用戶簡化機器學(xué)習(xí)的各種開源庫，還有一大堆的工具和框架需要密切關(guān)注。令人興奮的是，它們都有能力成為下一個TensorFlow，帶來下一場AI顛覆。