這些高端人工智能框架可增強您的編程技能
> Photo by Alex Kotliarskyi on Unsplash
在本文中，我想與他們的實際應用程序共享前五個框架和庫。人工智能是計算領域的未來。看到越來越多的人工智能技術需求，越來越多的程序員熟悉了這一科學。我希望本指南將幫助您獲得啟發(fā)，并開始更多地了解這個強大且不斷發(fā)展的領域。
目錄：
· 背景
· 介紹
· Caffe
· Torch
· ScikitLearn
· google Cloud AutoML
· 亞馬遜機器學習
· 結論
人工智能是一種工具，不是威脅。—羅德尼·布魯克斯
背景
一些重要的關鍵數據可以使我們有所了解：
· 2019年認知和人工智能系統(tǒng)市場的服務部門收入— 127億美元
· 人工智能業(yè)務運營全球收入2023 — 108億美元
· 2025年全球自然語言處理（NLP）市場規(guī)模— 433億美元
· 2019年全球人工智能創(chuàng)業(yè)公司的融資金額— 24B美元
（參考數據：https：//www.statista.com）
這是一個漂亮的圖表，顯示了領先的高科技公司收購了多少個人工智能初創(chuàng)企業(yè)：
> https://www.statista.com/chart/9443/ai-acquisitions/
介紹
假設您決定在這一領域進行練習和發(fā)展。今天，我們將看到軟件工程師如何將深度學習和人工智能應用于他們的編程工作。
我們必須知道的第一件事是如何應用它，這是一個進行研究的好問題："什么是2021年開始學習的最有用的框架/庫？"這正是我問自己的問題。
這就是我們今天在本文中要解決的問題：我收集了每個軟件工程師/開發(fā)人員都需要了解的最受歡迎的五個人工智能框架和庫。您還將找到官方文檔頁面以及一些有關如何應用它們的實踐應用程序。
這將有助于我們不僅了解他們的名字，而且更了解他們。足夠介紹。讓我向您介紹小隊！
1.Caffe
作為咖啡愛好者，我想從Caffe開始，它代表快速特征嵌入的卷積架構。伯克利AI的Analysis Caffe是與小組成員合作的深度學習框架。
通過其框架，可以啟動語言，速度和可用性。它具有可靠的體系結構，可遵循配置定義的系統(tǒng)，并且無需硬編碼即可進行優(yōu)化。這對于在CPU和GPU之間進行切換也很有用。
Caffe是一個科研項目和工業(yè)實施的理想選擇，因為它每天使用一個NVIDIA GPU即可處理超過6000萬張照片。
AI框架可響應C ++，CUDA的命令行，Python和MATLAB接口。建立協(xié)進化神經網絡（CNN）以使用Caffe識別圖片非常簡單。
官方頁面：Caffe https://caffe.berkeleyvision.org/
價格：免費（開源）
一些實際的應用程序：
· 學習LeNet https://nbviewer.jupyter.org/github/BVLC/caffe/blob/master/examples/01-learning-lenet.ipynb
· 圖像分類和濾鏡可視化 https://nbviewer.jupyter.org/github/BVLC/caffe/blob/master/examples/00-classification.ipynb
2.Torch
Torch是用于科學和數字處理的科學計算系統(tǒng)。它產生具有節(jié)奏，多功能性和可用性的算法。
Torch似乎將GPU放在首位，并且是與NumPy等效的Tensor庫。它捆綁在LuaJIT中，并且具有C / CUDA的基本集成。通過使用大量算法，這提高了性能并促進了深度學習分析。
Torch使用者配備了易于使用的庫，因此可以對人工智能分布式系統(tǒng)進行模塊化應用。通過通用的N維數組，這可以通過諸如切割和分度之類的程序來改善。它還包括線性代數協(xié)議和神經網絡。
官方頁面：火炬 http://torch.ch/
價格：免費（開源）。
一些實際的應用程序：
· 玩Atari游戲的Deep-Q強化學習 https://github.com/soumith/cvpr2015/blob/master/DQN%20Training%20iTorch.ipynb
· 應用視覺和自然語言深度學習 https://on-demand.gputechconf.com/gtc/2015/webinar/torch7-Applied-deep-learning-for-vision-natural-language.mp4
3. Scikit-learn
Scikit-learn是人工智能的可訪問方法之一，可從商業(yè)上獲得AI框架。這是一個Python程序，可同時進行有監(jiān)督和無監(jiān)督的機器學習。
它是通用的AI創(chuàng)建方法之一，支持分組，回歸，聚類算法和降維，模型收集和預處理。
數據科學家可以使用sci-kit learning提供的詳細用戶指南輕松地訪問工具，從分類和多標簽算法到協(xié)方差估計。
Sci-kit編程具有交叉驗證，受控和不受監(jiān)控的學習算法等功能。
官方頁面：Scikit-learn https://scikit-learn.org/stable/
價格：免費（開源）。
一些實際的應用程序：
· 支持向量機（SVM）監(jiān)督學習 https://scikit-learn.org/stable/modules/svm.html#classification
· 分解組件中的信號 https://scikit-learn.org/stable/modules/decomposition.html#decompositions
4. Google Cloud AutoML
關于前面提到的所有工具和庫，Auto ML當前是機器學習工程師可用工具庫中最新最好的一種。
如概述中所述，效率對于機器學習職責至關重要。盡管從中獲得的好處是可觀的，但確定最佳超參數并非易事。
在類似黑匣子的神經網絡中尤其如此，隨著網絡復雜性的增加，決定重要事項的難度也越來越大。請記住一個有趣的事實：Google云端服務提供了Auto ML。
官方頁面：Google Cloud AutoML https://cloud.google.com/automl
價格：定價（按使用量付費）。
一些實際的應用程序：
· AutoML視覺 https://cloud.google.com/vision/automl/docs
· 使用AutoML自然語言進行自定義文本分類 https://www.youtube.com/watch?v=ieaqfU1BwJ8
5.亞馬遜機器學習
Amazon Web Services（AWS）具有廣泛的機器學習框架，全球數百個組織和組織都在使用。其軟件與核心人工智能系統(tǒng)集成，并提供了一系列現成的AI應用程序。從聊天機器人到分類，AWS提供了許多訓練有素的智能模型。
官方頁面：AWS machine Learning https://aws.amazon.com/
價格：定價（按使用量付費）。
一些實際的應用程序：
· Amazon Personalize：使用Amazon更快地獲得實時個性化用戶體驗 https://aws.amazon.com/personalize/?c=ml&sec=srv
· Amazon Kendra：高度精確的智能搜索服務。 https://aws.amazon.com/kendra/?c=ml&sec=srv
結論
當然，除了列出的框架和庫外，還有許多其他框架和庫。我只分享了一滴人工智能和深度學習海洋。
人工智能是計算領域的一個迷人的市場。每個自重的軟件開發(fā)人員都必須具有堅定的AI開發(fā)經驗。至少有一些背景知識。
成為一名優(yōu)秀的AI專業(yè)人員需要強大的理智，技能，毅力和職業(yè)道德。如果您有它們，那么現在是進入此領域的理想選擇和時間。
我在本文中的目標是為您提供有關該領域的一些見識和啟發(fā)。希望對您的閱讀有幫助。如果您有任何疑問或意見，請隨時與我聯(lián)系。
(本文由聞數起舞翻譯自Rubén Romero的文章《5 Top Artificial Intelligence Frameworks for 2021》，轉載請注明出處，原文鏈接：https://towardsdatascience.com/5-top-artificial-intelligence-frameworks-for-2021-7d3bf8e12ed1)
