五个常见 AI 开发库

上一篇文章已经写过了，人工智能的发展不可谓不曲折，三起两落，不同的历史阶段，主流的研究方法不一样，开始时的 if-else 结构，简单的逻辑判断字符串匹配，到后期的穷举计算等，慢慢发展到现在的大数据与深度学习相结合的主流研究方法，逐渐体现出了较大的优势，同时也涌现出了不同的深度学习（机器学习）框架，以下挑选五种主流的框架进行介绍进行对比分析，以供大家参考使用：

1. TensorFlow：推荐指数 ☆☆☆☆☆

TensorFlow 可谓大名鼎鼎，是 Google 大脑团队开发的深度学习框架，Google 现有产品几乎都使用到了 TensorFlow，比如 Google 的邮件、搜索、语音识别和相册等，无一例外。现在的 TensorFlow 版本已经是 TensorFlow 2 了，较之前的版本有了更大的更新。TensorFlow 核心是由 C 和 C++ 语言编写，但是其提供了几乎完整的 Python 接口支持，可以非常方便的进行系统的构建，同时根据不同的情况，也提供了极其丰富的各平台支持，对于移动端，有 Lite 版本用于 iOS、Android 和 IoT 设备，还有 JavaScript、nodejs、go语言，甚至还有微信小程序的相关支持，在其官网和 GitHub 都有比较详细的文档和实例。其优势也相对明显，有 Google 去保证其质量和后期维护，社区和流行度也比较普及，因此算是学习和使用性价比较高的框架。

1. Keras：推荐指数 ☆☆☆☆

Keras 是一个 Python 深度学习库，是一个相对高级的神经网络 API，其本质是对 TensorFlow（Google）、CNTK（微软） 和 Theano 的封装，可以快速的进行实验。以上是 Karas 官网对其自己的定义，确实它在原型设计和 Demo 实验阶段表现突出，它有很多的工具，在可视化、神经网络模型结构和数据的处理方面都非常好用，是一个需要熟悉和掌握的深度学习框架。

1. PyTorch：推荐指数 ☆☆☆☆☆

PyTorch 是另外一个极其重要的机器学习框架，是 Facebook AI 研究实验室基于 Torch 开发的，Torch 是基于 C 开发Lua 封装的，它的优势是 GPU 支持相对其他框架更好一些，代码写起来更像 Python。他跟 TensorFlow 最大的区别是 TensorFlow 用的是“静态计算图”，PyTorch 用的是“动态计算图”，也就是在运行过程中是否可以改变模型整体计算图，这一点在后续的文章中会再次说明。

1. NumPy：推荐指数 ☆☆☆☆

这也是一个非常流行的 Python 机器学习的库，TensorFlow 和其他的许多库都使用了 NumPy 作为他们功能的一部分，对于多维数组对象，线性代数，傅里叶变换和较强的随机数能力表现都比较突出，值得了解一下，如果有需要更可以深入去学习使用。

1. scikits-learn：推荐指数 ☆☆☆☆

这也是一个机器学习的 Python 库，它在处理复杂数据方面能力较强，包含大量的机器学习任务和数据挖掘任务的大量的算法，降维、分类、回归、聚类等各种模型，非常方便。在数据挖掘领域应用较多，也是一个值得深入学习和研究的机器学习库。

上面仅仅推荐了五个人工智能相关的库，准确点更应该说是机器学习或深度学习的框架，从流行程度来看，我们也大致能得出现在主流的人工智能领域研究方法也是深度学习和机器学习。这些库在不同领域和不同方面优势各不一样，本文推荐指数推荐依据，是根据适用场景和学习使用性价比主观推荐，请读者根据需求自行取用。

本公众号后续文章将主要基于 TensorFlow 2 进行学习说明。

• 本文首发自微信公众号：RAIS