人工智能开源框架

Deeplearning4j：

（以下简称DL4J）是Java和Scala环境下的开源、分布式深度学习项目，DL4J集成了Hadoop and Spark，设计用于运行在分布式GPU和CPU上的商业环境。它由总部位于旧金山的商业智能和企业软件公司Skymind牵头开发。团队成员包括数据专家、深度学习专家、Java系统工程师和具有一定感知力的机器人。O’Reilly出版社为DL4J出版的书，已经可以在亚马逊买到。

大家对大数据都有所耳闻。通过发布开源深度学习工具，我们希望能将商业带入智能数据的时代。这也是为什么我们选择在Java环境实现这一框架。通过使用这些工具，数据专家可以认识到可扩缩深度学习算法的力量。这些算法早已在谷歌、脸书、微软、百度和网飞等设有专职深度学习团队的公司得到应用。

通过深度学习算法，可以实现无监督学习，让数据专家免于特征提取过程中的大量枯燥工作，从而把更多精力放在更有意思的任务之上。更广泛说来，我们认为这些算法可以帮助建设更为安全、智能、透明和高效的社会环境。

在定型深度学习网络的过程中，有许多可供调节的参数。我们已尽可能对这些参数进行解释，从而使Deeplearning4j能够成为在Hadoop和其他文件系统环境内Java、Scala及Clojure编程人员的DIY工具。如果您需要目前所提供教程之外的支持和定制化服务，请与Skymind取得联系。

TensorFlow深度学习框架：

 

Google不仅是大数据和云计算的领导者，在机器学习和深度学习上也有很好的实践和积累，在2015年年底开源了内部使用的深度学习框架TensorFlow。与Caffe、Theano、Torch、MXNet等框架相比，TensorFlow在Github上Fork数和Star数都是最多的，而且在图形分类、音频处理、推荐系统和自然语言处理等场景下都有丰富的应用。最近流行的Keras框架底层默认使用TensorFlow，著名的斯坦福CS231n课程使用TensorFlow作为授课和作业的编程语言，国内外多本TensorFlow书籍已经在筹备或者发售中，AlphaGo开发团队Deepmind也计划将神经网络应用迁移到TensorFlow中，这无不印证了TensorFlow在业界的流行程度。

TensorFlow不仅在Github开放了源代码，在《TensorFlow: Large-Scale Machine Learning on Heterogeneous Distributed Systems》论文中也介绍了系统框架的设计与实现，其中测试过200节点规模的训练集群也是其他分布式深度学习框架所不能媲美的。Google还在《Wide & Deep Learning for Recommender Systems》和《The YouTube Video Recommendation System》论文中介绍了Google Play应用商店和YouTube视频推荐的算法模型，还提供了基于TensorFlow的代码实例，使用TensorFlow任何人都可以在ImageNet或Kaggle竞赛中得到接近State of the art的好成绩。

Caffe：

 

的全称应该是Convolutional Architecture for Fast Feature Embedding，它是一个清晰、高效的深度学习框架，它是开源的，核心语言是C++，它支持命令行、Python和Matlab接口，它既可以在CPU上运行也可以在GPU上运行。它的license是BSD 2-Clause。Deep Learning比较流行的一个原因，主要是因为它能够自主地从数据上学到有用的feature。特别是对于一些不知道如何设计feature的场合，比如说图像和speech。

Theano：

是一个Python库，它可以让你定义，优化以及对数学表达式求值，尤其是多维数组(numpy的ndarray)的表达式的求值。对于解决大量数据的问题，使用Theano可能获得与手工用C实现差不多的性能。另外通过利用GPU，它能获得比CPU上的C实现快很多数量级。

Torch：

是一个广泛支持机器学习算法的科学计算框架。易于使用且高效，主要得益于一个简单的和快速的脚本语言LuaJIT，和底层的C / CUDA实现：Torch | Github

 

Chainer：

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。 这篇博文会通过一些例子简要地介绍一下Chainer，同时把它与其他一些框架做比较，比如Caffe、Theano、Torch和Tensorflow。

大多数现有的深度学习框架是在模型训练之前构建计算图。 这种方法是相当简单明了的，特别是对于结构固定且分层的神经网络（比如卷积神经网络）的实现。

 

Brainstorm：

 

随着摩尔定律终点的临近和机器学习对计算需求的提升，人们对于开发下一代计算机芯片的呼声正变得高涨。在量子计算、FPGA、高性能 GPU 以外，神经形态计算是另一个有前途的发展方向。斯坦福大学的 Kwabena Boahen 教授等人在这一领域耕耘多年，最近，他们准备推出新一代芯片「Brainstorm」。