神经网络框架汇总

神经网络框架汇总

往期文章推荐：
    损失函数与代价函数
   神经网络从入门到精通
   脉冲神经网络综述笔记
   脉冲神经网络资料汇总

---

【版权申明】未经博主同意，谢绝转载！（请尊重原创，博主保留追究权）；

本博客的内容来自于：；

学习、合作与交流联系q384660495；

本博客的内容仅供学习与参考，并非营利；

文章目录

• 一、序言
• 二、TensorFlow
• 三、Microsoft CNTK
• 四、Theano
• 五、Caffe
• 六、Keras
• 七、Spark MLlib
• 八、 Sci-kit Learn
• 九、Apache SystemML
• 十、Pytorch
• 十一、MXNet
• 十二、MindSpore
• 十三、PaddlePaddle
• 十四、BytePS
• 十五、待更新

---

一、序言

神经网络框架的重要性不言而喻，也是我自己的研究方向，所以写了这一篇神经网络框架的汇总介绍。

对于神经网络框架而言，最重要的肯定是数学模型和算法；其次是易用性；最后是性能。

二、TensorFlow

语言：C ++或Python。

进入AI时，您会听到的第一个框架是Google的TensorFlow。

TensorFlow是一个开源软件，用于使用数据流图进行数值计算。该框架以具有允许在任何CPU或GPU上进行计算的架构而闻名，无论是桌面，服务器还是移动设备。该框架以Python编程语言提供。

TensorFlow对称为节点的数据层进行排序，并根据获取的任何信息做出决策。

优点：

使用易于学习的语言（Python）。
使用计算图形抽象。
TensorBoard可用于可视化。

缺点：

它很慢，因为Python不是最快的语言。
缺乏许多预先训练过的模型。
不是完全开源的。

三、Microsoft CNTK

优点：

它非常灵活。
允许分布式培训。
支持C ++，C＃，Java和Python。

缺点：

它以新语言网络描述语言（NDL）实现。
缺乏可视化。

四、Theano

“一个数值计算库。”

针对CPU和GPU进行了适当优化。
高效的数字任务。

缺点：

与其他图书馆相比，原始Theano略低。
需要与其他库一起使用才能获得高级抽象。
AWS上有点儿马车。

五、Caffe

“快速，开放的深度学习框架。”

优点：

可以使用Python和MATLAB的绑定。
很好的表现;很好的绩效。
允许在不编写代码的情况下训练模型。

缺点：

经常性网络不好。
新架构并不是很好。

六、Keras

“为人类深入学习。”

优点：

它用户友好。
它很容易扩展。
在CPU和GPU上无缝运行。
与Theano和TensorFlow无缝协作。

缺点：

无法有效地用作独立框架。

七、Spark MLlib 八、 Sci-kit Learn

“Python中的机器学习。”

优点：

许多主要算法的可用性。
高效的数据挖掘。

缺点：

不是建造模型的最佳选择。
使用GPU效率不高。

九、Apache SystemML

利用大数据进行机器学习的最佳开源工具。官网

SystemML是由IBM创建的机器学习技术，是Apache中的顶级项目之一，它是一个灵活、可扩展的机器学习系统。

SystemML的重要特点如下：
1.使用类R和类Python语言定制算法。
2.有多种执行模式，包括Spark MLContext、Spark Batch、Hadoop Batch、Standalone和JMLC(Java机器学习连接器)。
3.基于数据和聚类特性的自动优化，保证了算法的高效率和可扩展性。
4.将SystemML视为机器学习的结构化查询语言SQL。SystemML的最新版本（1.0.0）支持：Java 8+、Scala 2.11+、Python 2.7/3.5+、Hadoop 2.6+以及Spark 2.1+。
5.可在Apache Spark上运行，在Apache Spark上，SystemML通过逐行查看代码，确保代码是否能够在Apache Spark聚类上运行。

十、Pytorch 十一、MXNet 十二、MindSpore

华为的，目前正在试一试

十三、PaddlePaddle

百度AI平台，做的非常不错

十四、BytePS

字节的，目前在github上可以找到

十五、待更新