7種深度學習工具介紹

1)TensorFlow

TensorFlow是Google基於DistBelief進行研發的第二代人工智慧學習系統，其命名來源於本身的運行原理。

–Tensor(張量)意味著N維數組，Flow(流)意味著基於數據流圖的計算，TensorFlow為張量從圖像的一端流動到另一端的計算過程。

–TensorFlow是將複雜的數據結構，傳輸至人工智慧神經網中進行分析和處理過程的系統。

TensorFlow表達了高層次的機器學習計算，可被用於語音識別或圖像識別等多項機器深度學習領域。

–TensorFlows對2011年開發的深度學習基礎架構DistBelief進行了各方面的改進，可在小到一部智能手機，大到數千台數據中心伺服器的各種設備上運行。

–TensorFlow完全開源。

2)Caffe

Caffe是一個清晰而高效的深度學習框架，作者是畢業於UC Berkeley的賈揚清。

–Caffe的全稱應該是Convolutional Architecture for Fast Feature Embedding，

–它是開源的，核心語言是C++，支持命令行、Python和MATLAB介面

–既可以在CPU上運行也可以在GPU上運行。License是BSD 2-Clause。

–Caffe可以應用在視覺、語音識別、機器人、神經科學和天文學領域。

3)Torch

Torch已有十多年，是一個廣泛支持機器學習演算法的科學計算框架，具有簡單和快速的腳本語言LuaJIT和底層C/CUDA實現, Facebook開源了Torch深度學習庫包

Torch的特點：

–1具有強大的n維數組；

–2具有豐富的索引、切片和transposing的常式

–3通過LuaJIT的C介面：

–4線性代數常式；

–5基於能量的神經網路模型；

–6數值優化常式；

–7支持快速高效的GPU;

–8 可移植嵌入到iOS、Android和FGPA平台。

4)Keras

Keras是一個簡約的、高度模塊化的神經網路庫，是基於Theano的一個深度學習框架，其設計參考了Torch，用Python語言編寫，支持GPU和CPU，其特點為：

–(1)使用簡單，能夠快速實現原理；

–(2)支持卷積網路和遞歸網路，以及兩者的組合；

–(3)無縫運行在CPU和GPU上：

–(4)支持任意連接方式，包括多輸入多輸出訓練。

Keras庫與其他採用Theano庫的區別是：

–編碼風格非常簡約、清晰。它把所有的要點使用小類封裝起來，能夠很容易地組合在一起，並創造出一種全新的模型。

5)MXNet

MXNet是一個輕量化分散式可移植的深度學習計算平台，它支持多機多節點、多GPU的計算

–openMP+MPI/SSH+Cuda/Cudnn的框架的計算速度很快，且能夠與分散式文件系統結合，實現大數據的深度學習。MXNet支持從單機到多GPU.多集群的計算能力

MXNet特點如下：

–(1)基於賦值表達式建立計算圖;

–(2)支持內存管理，並對兩個不交叉的變數重複使用同一內存空間；

–(3)使用C++實現，並提供C風格的頭文件。支持Python、R、Julia、Go和JavaScript；

–(4)支持Torch；

–(5)支持移動設備端發布。

6)CNTK

CNTK ( Computational Network Toolkit)是微軟用於搭建深度神經網路的計算網路工具包，已在Github開源

–CNTK有一套極度優化的運行系統，來訓練和測試神經網路，它以抽象的計算圖形式構建的。

–CNTK支持CPU和GPU模型。

–CNTK支持兩種方式來定義網路：一種是使用「Simple Network Builder」，通過設置少量參數，就能生成一個的標準神經網路；另一種是使用網路定義語言(NDL)。

–CNTK相比Caffe、Theano. TensoFlow等主流工具性能更強，靈活性也要好，可擴展性高。

–CNTK支持CNN. LSTM. RNN等流行的網路結構，支持CPU和GPU模式，但CNTK目前Bug比較多。

7)Theano

Theano是BSD許可證下發布的一個開源項目，是由LISA(現MILA)在加拿大魁北克的蒙特利爾大學，開發的基於Python的深度學習框架

–專門用於定義、優化、求值數學表達式，其效率比較高，適用於多維數組。

–Python的核心Theano是一個數學表達式的編譯器。Theano獲取用戶數據結構

–使之成為一個使用Numpy、高效本地庫的非常高效的代碼，並能在CPU或GPU上儘可能快地運行。