硅谷大牛推荐11款机器学习工具，国内程序员们学起来！
良好的ML框架降低了定义ML模型的复杂性。 使用这些开源ML框架，您可以轻松快速地构建ML模型。在过去十年中，人工智能的迅速崛起刺激了当今就业市场对AI和ML技能的巨大需求。基于ML的技术现在几乎用于所有垂直行业，从金融到医疗保健。在本文中，我编译了一个可用于构建机器学习模型的最佳框架和库的列表。
1. TensorFlow
TensorFlow由Google开发，是一个为深度学习或人工神经网络而构建的开源软件库。使用TensorFlow，您可以使用流程图创建神经网络和计算模型。它是深度学习中维护最好，最受欢迎的开源库之一。
TensorFlow框架以C ++和Python提供。其他类似的基于Python的深度学习框架包括Theano，Torch，Lasagne，Blocks，MXNet，PyTorch和Caffe。您可以使用TensorBoard轻松实现可视化并查看计算管道。其灵活的架构允许您轻松部署在不同类型的设备上。从消极方面来说，TensorFlow没有符号循环，也不支持分布式学习。此外，它不支持Windows。
说起TensorFlow的应用，谷歌的AIY项目可以作为一个机器学习的案例来说了。AIY系列项目（全称是Artificial Intelligence Yourself），鼓励开发者们和爱动手的技术发烧友自己在家搭建AI小硬件。
2. Theano
Theano是一个专为深度学习而设计的Python库。 使用该工具，您可以定义和评估数学表达式，包括多维数组。 该工具针对GPU进行了优化，具有与NumPy集成，动态C代码生成和符号区分等功能。 但是，要获得高级抽象，该工具必须与其他库一起使用，例如Keras，Lasagne和Blocks。 该工具支持Linux，Mac OS X和Windows等平台。
3. Torch
Torch是一种易于使用的ML算法开源计算框架。 该工具提供了高效的GPU支持，N维数组，数值优化例程，线性代数例程以及用于索引，切片和转置的例程。 该工具基于一种名为Lua的脚本语言，具有大量预训练模型。 这种灵活高效的ML研究工具支持Linux，Android，Mac OS X，iOS和Windows等主要平台。
4. Caffe
Caffe是一款流行的深度学习工具，专为构建应用而设计。 由杨庆佳在博士期间创建的项目。 在加州大学伯克利分校，该工具具有良好的Matlab / C ++ / Python界面。 该工具允许您使用文本快速将神经网络应用于问题，而无需编写代码。 Caffe部分支持多GPU培训。 该工具支持Ubuntu，Mac OS X和Windows等操作系统。
5.微软CNTK
Microsoft Cognitive Toolkit是最快的深度学习框架之一，支持C＃/ C ++ / Python接口。 开源框架带有强大的C ++ API，比TensorFlow更快，更准确。 该工具还支持内置数据读取器的分布式学习。 它支持诸如前馈，CNN，RNN，LSTM和序列到序列的算法。 该工具支持Windows和Linux。
6. Keras
Keras是用Python编写的，它是一个开源库，旨在简化新DL模型的创建。 这种高级神经网络API可以在TensorFlow，Microsoft CNTK等深度学习框架之上运行。该工具以其用户友好性和模块性而闻名，是快速原型设计的理想选择。 该工具针对CPU和GPU进行了优化。
7. scikit-learn
scikit-learn是一个专为机器学习而设计的开源Python库。 基于NumPy，SciPy和matplotlib等库的工具可用于数据挖掘和数据分析。 scikit-learn配备了各种ML模型，包括线性和逻辑回归量，SVM分类器和随机森林。 该工具可用于多个ML任务，例如分类，回归和聚类。 该工具支持Windows和Linux等操作系统。 在缺点方面，GPU的效率不高。
10. Azure ML Studio
Azure ML Studio是面向数据科学家的现代云平台。 它可用于在云中开发ML模型。 Azure具有广泛的建模选项和算法，是构建更大ML模型的理想选择。 该服务为每个帐户提供10GB的存储空间。 它可以与R和Python程序一起使用。
11.亚马逊机器学习
亚马逊机器学习（AML）是一项ML服务，提供用于创建ML模型的工具和向导。 借助可视化辅助工具和易于使用的分析，AML旨在使开发人员更容易使用ML。 AML可以连接到存储在Amazon S3，Redshift或RDS中的数据。
机器学习框架带有易于理解和编码的预构建组件。 因此，良好的ML框架降低了定义ML模型的复杂性。 使用这些开源ML框架，您可以轻松快速地构建ML模型。
