细数最流行的人工智能、深度学习经常使用框架，不止有TensorFlow，Java也能够进行人工智能开发

做者 | 弗拉德
来源 | 弗拉德（公众号：fulade_me)

人工智能

人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能类似的方式作出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、天然语言处理和专家系统等。人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大，能够设想，将来人工智能带来的科技产品，将会是人类智慧的“容器”。人工智能能够对人的意识、思惟的信息过程的模拟。人工智能不是人的智能，但能像人那样思考、也可能超过人的智能。那让咱们来看一下都有哪些人工智能开发的框框。

Theano

早在2007加拿大的蒙特利尔大学就开始了Theano的开发，它最初是为了用于学术研究而设计的。虽然出身于学术界，可是在过去很长一段时间里面，Theano都是深度学习开发与研究的行业标准。
Theano实际上是一个比较底层的库，它比较适合数值计算和优化。支持自动函数梯度计算，支持Python接口，而且集成了Numpy。它并不仅是专门用来作深度学习的，能够说Theano是Python的一个数值计算库。它也有缺点，就是不支持GPU和水平扩展。
因为TensorFlow在谷歌的支持下强势崛起，Theano能够说是日渐式微，这里面的有个标志性的事件就是Theano创始人之一Ian Goodfellow，他放弃了Theano转去Google开发TensorFlow。

Caffe

Caffe是由就读于加州大学伯克利分校的中国籍博士生贾扬清在2013年建立的，是一个老牌框架。
贾扬清本科和硕士都是清华毕业，他对两个深度学习的框架都有贡献，一个是TensorFlow，他之前是在Google工做。在2016年贾扬清加入到Facebook，开始了Caffe框架的开发。
Caffe的全称是"Convolution Architecture For Feature Extraction"，意思是能用于特征提取的卷积架构，它的设计初衷实际上是为了针对计算机视觉。缺点是灵活性不足的问题，为了作模型调整会用到C++和CUDA。
在2017年4月，Facebook发布了Caffe2，这标志着Caffe有了一个很大的发展。咱们能够把它看做是对Caffe更细粒度的重构，在实用的基础上增长了扩展性和灵活性。随着时间的发展，Facebook最后把Caffe2合并到了PyTorch上面了。

PyTorch

说PyTorch以前，咱们得先说一说Torch。Torch是一个非主流的深度学习框架，它是基于Lua语言的。而如今主流的深度学习框架使用的语言基本都是Python，因此用Torch就会显得很非主流。可是Facebook的人工智能研究所使用的就是Torch，Torch很是适用于卷积神经网络，同时它的灵活度也很高。
有一个特色就是：它是命令式的，支持动态模型。大多数的机器学习框架都是支持静态图模型，也就是说在进行调试时，咱们须要先把模型定义好，而后再进行运行和计算。而Torch它的灵活度更高，它能够在运行的过程当中更改图模型，这就叫作支持动态的图模型。在2017年初，Facebook在Torch的基础上，发布了一个全新的机器学习框架叫PyTorch。PyTorch能够说是Torch的Python版，增长了不少特性。
2018年4月Facebook宣布将Caffe2并入PyTorch，因此说Caffe2就以PyTorch的形式存在。

MXNet

MXNet是亚马逊它支持的深度学习框架。MXNet尝试把两种模式无缝的结合起来，一种是在命令式编程上提供张量运算，一种是在声明式的编程支持符号表达式。这样用户就能够自由的混合来实现他们本身的想法。也就是说，它结合了静态定义计算图和动态定义计算图的优点。另外MXNet支持的语言种类也比较多，除了常见的想Python还有C++，关键的他对R语音也支持的很好，对Go也有支持。可是它的学习曲线会比较高。

CNTK

CNTK又名：Microsoft Cognitive Toolkit。在2016年的微软宣布在给github上开源CNTK(computational Network ToolKit)。CNTK对语音和图像支持特别好，语音识别和图像识别也比较快。它还有着更为强大的可扩展性，开发者可使用多台计算机去实现GPU的扩展，从而可以更加灵活地应对大规模的实验。固然它也支持支持C#语言。

Keras

Keras是一个高级封装的库，一样也很是的受欢迎。它能够跟Theano、CNTK、TensorFlow结合起来工做。它至关于架设在这些框架上的更高一层，由于更高一层，这使得它的使用很是的简单。Keras强调的就是极简主义，你只须要几行代码就能构建一个神经网络。一样它号称为支持快速实验而生，可以把你的想法的迅速转换成为结果。它的语法的也比较明细，文档的也提供的很是好。固然了，它也是支持Python的。

DL4J

DJF4是一个基于JVM，聚焦行业应用，并且提供商业支持的分布式的深度学习框架。它的宗旨就是：在合理的时间里去解决各种涉及大量数据的问题。
从它的名字上不难看出，它实际上是 Deep Learning For Java 的缩写，它对Java的支持是它最大的特色。它对使用Java做为开发语言的开发者来讲很是友好，它能够与Hadoop和Spark很好的结合起来，也可使用任意数量的GPU或者CPU运行。

Chainer

Chainer的是一个专门为高效研究和开发深度学习算法而设计的开源框架，它也是基于Python的深度学习框架。Chanier在"实时"使构件计算图，"边运行边定义"的方法使得构建深度学习网络的变得很灵活。也就是说，Chanier是支持动态图定义的。那这种方法可让用户在每次迭代的时候能够根据条件去更改计算图，也很容易使用标准的调试器和分析器来调试和重构。

PaddlePaddle

PaddlePaddle是百度旗下的深度学习开源平台，它支持并行分布式深度学习。在2016年9月1日百度世界大会上，当时百度的首席科学家吴恩达宣布：百度的深度学习平台将对外开放，命名为PaddlePaddle。吴恩达认为PaddlePaddle比一个PaddleP要更容易让人记住，事实上也是，PaddlePaddle 比 Paddle更容易上口。百度的资深科学家，PaddlePaddle的研发负责人徐伟介绍：在PaddlePaddle的帮助下，深度学习模型的设计如同编写伪代码同样容易，工程师只须要关注模型的高层结构，而无需担忧任何琐碎的底层问题。

TensorFlow

TensorFlowA machine learning platform for everyone to solve real problems。对每一个人来解决现实问题的机器学习平台，这也是TensorFlow存在的宗旨。它不但在上层支持神经网络，它还很全面的支持别的机器学习的算法，像K-Means，决策树，向量积等等。它对语言的支持也不少，Python、C++、Java。在硬件层面，它也能够利用CPU，GPU进行计算。
另外的谷歌还出了专门的处理器，叫TPU，也就是Tensor处理器，另外它也支持在移动端使用。还提供了一个叫TensorBoard的可视化工具。这个工具很是强大，它能够基于运行的一些日志和文件，可视化得把模型训练和结果展示出来。
TensorFlow提供了不一样层次的接口，从低层到高层。越低的层次越灵活，越容易去控制，越高层次是越容易使用。
TensorFlow支持的语言也很是多：Go、Python、C++、Java、Swift、R语音、C#、js等。
还有运行在Web端的TensorFlow.js，咱们可使用Javascript在网页端进行机器学习的训练和使用。在移动端一样提供支持的是TensorFlowLite，咱们能够把在服务器端训练好的模型下发到移动端(Android、iOS、树莓派等)，在移动端经过TensorFlowLite来使用。

---