Java和Python机器学习框架都有哪些

　　机器学习的爆炸性增长推动了许多开源工具的发展，使得开发人员更容易学习其技术。接下来，我们来看看开发者最喜欢的Java和Python机器学习框架都有哪些？

　　据技术专家介绍，未来人工智能和机器学习的前景是光明的。所以，如果开发者想学习一门理想的技能，机器学习是很棒的选择。本文了解了顶级的机器学习库和开源项目，给出了以下五大优秀框架。（排名不分先后）

　　Apache Singa

　　Apache Singa由新加坡国立大学的团队开发，是一个灵活可扩展的利用大数据分析的深度学习平台。这个深度学习框架为大量数据的可扩展分布式培训提供了灵活架构。Singa可扩展以运行各种硬件，主要应用在图像识别和自然语言处理（NLP）方面。

　　Singa目前是一个Apache孵化器项目，提供了简单的编程模型，可以在一个节点集群上工作。分布式深度学习在训练过程中使用模型划分和并行化，一般而言，Singa支持传统的机器学习模型，如逻辑回归。

　　Singa是用Java，C ++和Python编写的，可以在AWS上或通过Docker尝试使用。

　　Apache Mahout

　　Apache的另一个开源产品Apache Mahout是一个分布式线性代数框架，用于创建可扩展的高性能机器学习应用程序，旨在让数学家，统计学家和数据科学家快速实现算法，Mahout主要关注协同过滤，聚类和分类。

　　Apache Mahout使程序员能够在大数据平台执行的交互式环境中实现数学运算，然后将完全相同的代码移至应用程序并进行部署。Mahout Samsara提供了一个分布式线性代数和统计引擎，该引擎不仅性能良好，还可与交互式shell（现在位于Apache Zeppelin中）一起分发，可在生产环境中链接到应用程序的库。Mahout通常搭载Apache Hadoop平台使用map / reduce范例，但这不会限制对基于Hadoop实现的贡献。

　　最后，Apache Mahout是用Java和Scala编写的。

　　Microsoft CogniTIve Toolkit （CNTK）

　　微软的认知工具包是一个开源的深度学习工具包，用于训练机器像人脑一样学习算法。CNTK使得用户可以很容易地使用流行的机器学习模型，如feed-forwards DNN，卷积神经网络和递归神经网络。

　　这个工具毫无疑问是使用神经网络处理非结构化数据的大数据集。凭借更短的培训时间和易于使用的架构，CNTK具有高度可定制性，允许程序员选择自己的参数，算法和网络。由于其支持“多机多GPU”，CNTK很容易胜过其竞争对手。如果有兴趣，微软甚至会提供一个介绍视频。

　　最后，Microsoft CNTK是用Python和C ++编写的。

　　Caffe

　　由伯克利人工智能研究团队开发的Caffe是一个由表达式，速度和模块化组成的深度学习框架。富有表现力的架构鼓励应用和定制创新，配置选项允许用户通过设置一个标志在CPU和GPU之间切换。Caffe的可扩展代码已经帮助推动了它的早期发展，使其成为一个被高度评价的GitHub机器学习项目。

　　Caffe的速度使其对研究机构和行业部署都非常有价值，它是通过卷积神经网络（CNN）来开发用于计算机视觉/图像分类的。Caffe提供一组预先训练的模型，不需要任何编码来实现。然而，Caffe最适合于构建应用，并且不是计算机视觉以外的任何其他应用。

　　最后，C++affe是用C++编写的有Python接口的机器学习框架。

　　TensorFlow

　　最后一个是我们最喜欢的机器学习框架，被称作无与伦比的TensorFlow框架。 TensorFlow是一个使用数据流图进行数值计算的开源软件库，是GitHub上最受欢迎的机器学习项目，也是参与者和贡献者最多的机器学习项目。

　　无论是台式机，服务器还是手机，TensorFlow灵活的架构都可以使用户轻松使用单一API将计算部署到一个或多个CPU或GPU。

　　TensorFlow主要是用Python编写的，但它也支持Java和Go的一些用法。

　　结论

　　在2018年，Python的持续增长肯定与过去几年机器学习的爆炸式增长有关。一些世界上最受欢迎的ML框架和库是由Python编写或主要由Python支持的，包括TensorFlow，Keras，Theano以及sci-kit learn，Chainer，H20，Microsoft Azure Studio，Veles和Neon等小型项目。Python不支持，C ++也支持，比如微软的CNTK和Caffe。

　　所以，如果你有兴趣学习一些ML技能，或者抓住最新的技术浪潮，那么可能是时候把旧的Python或C ++教科书甩开，开始实践了。