人工智能常用的开发框架

人工智能常用的开发框架如下：

1、TensorFlow

TensorFlow是人工智能领域最常用的框架，是一个使用数据流图进行数值计算的开源软件，该框架允许在任何CPU或GPU上进行计算，无论是台式机、服务器还是移动设备都支持。该框架使用C++和Python作为编程语言，简单易学。

2、微软的CNTK

CNTK是一款开源深度学习工具包，是一个提高模块化和维护分离计算网络，提供学习算法和模型描述的库，可以同时利用多台服务器，速度比TensorFlow快，主要使用C++作为编程语言。

3、Theano

Theano是一个强大的Python库，该库使用GPU来执行数据密集型计算， *** 作效率很高，常被用于为大规模的计算密集型 *** 作提供动力。

4、Caffe

Caffe是一个强大的深度学习框架，主要采用C++作为编程语言，深度学习速度非常快，借助Caffe，可以非常轻松地构建用于图像分类的卷积神经网络。

5、Keras

Keras是一个用Python编写的开源的神经网络库，与TensorFlow、CNTK和Theano不同，它是作为一个接口，提供高层次的抽象，让神经网络的配置变得简单。

6、Torch

Torch是一个用于科学和数值的开源机器学习库，主要采用C语言作为编程语言，它是基于Lua的库，通过提供大量的算法，更易于深入学习研究，提高了效率和速度。它有一个强大的n维数组，有助于切片和索引之类的 *** 作。除此之外，还提供了线性代数程序和神经网络模型。

7、AccordNET

AccordNET框架是一个NET机器学习框架，主要使用C#作为编程语言，该框架可以有效地处理数值优化、人工神经网络，甚至是可视化，除此之外，AccordNET对计算机视觉和信号处理功能非常强大，同时也使得算法的实现变得简单。

导读：移动Labs一直致力于洞见 科技 前沿、创新成果，协同产业力量，传播技术先声，助力业务发展。 为了促进新技术新应用的认知普及，特此推出《五分钟技术趣谈》系列活动专栏，以趣味科普的方式分享当前先进技术知识和领先应用场景。专栏每周持续更新，欢迎各位持续关注！

作者：杜鹏、冯杰、李金、白莉莎、周品

单位：中国移动雄安产业研究院

1是什么呢？

是5G，中国移动作为中国最大的电信运营商，立命之本就是移动无线网络，而5G作为无线网络的明日之星，那是运营商的双王。说起5G，就要从移动通信的 历史 开始说起，1G时代也就大哥大时代，民用手机刚刚出现，采用了模拟技术，简直是土地革命级别的产品。但是问题呢也非常致命，容量太小而且保密性差，当然最重要的就是贵……

2G时代手机采用了数字技术，然后几个大家都耳熟能详的名词GSM、GPRS就是那个时期进入大众眼球，即使到了现在2G技术也是覆盖面积最广的网络，很多偏远地区还是通过2G网络做覆盖。但2G的问题就是带宽太小，手机只能打电话、发短信，所以由引发了3G网络的建设，3G网络相比较与2G提升了几十倍的带宽，然而发现并没有什么卵用，当时国内外的运营商都花费了很多的资金建设3G网络，但是都亏损严重。

原因是网速还是不够看且资费超出想象，还有重要的一点就是，消费终端完全没有爆发式的增长，话费巨大投资提升的网络性能却没有带来收入的大幅增长，所以3G可能是通信家族5兄弟里边混的最惨的一个。08年，3GPP组织提出了LTE标准，之后09年第一张商用LTE网络就开始建设，当然还有一个人是必须要提及的，苹果之父—乔布斯，4G网络带宽的大幅提升、资费降低以及终端市场上优质智能机例如苹果、小米等厂商的出现。让运营商实现了很多很多很多的“小目标”。

但是运营商是不满足眼前的诗，还想要远方的诗歌选集。一直到这个时候，电信运营商的盈利基本都是靠建设网络去卖卡、卖流量，产品都是基于卖手机的套餐。并且2G+4G的模式已经基本覆盖了主要人口聚集区，大部分国内的群众也用上了只能手机，那新的增长点在哪里呢？运营商就将目光移向了政府和企业，既然个人的市场已经趋向于饱和，那就去赚企业的钱吧。

5G的原始需求升正是基于这点，5G呢也提出三大特性：大带宽、低时延、多连接。正是对未来金主的共性需求提出的，大带宽是为高清视频、4K/8K等场景，低时延针对智能工厂、车联网等场景，多连接是对未来孪生城市、物联网普及覆盖的场景。

5G不仅做出了性能上的升级，同时还有更多新特性，最重要的就是灵活，因为5G比4G更灵活，所以可以给每个企业单独配置一个专用网络，可以是基站企业独用，也可以是光纤传输的独用，也可以核心网的服务器独用。甚至还可以网络跟公众实用，但是数据单独开辟“虚拟通道”保障了安全。通过这些可以看出来，5G其实最看重的就是企业专网的—不仅挣散户的钱，还要挣大家族的钱！

5又是什么呢？

是AICDE，就是人工智能（AI）、物联网（Internet Of Things）、云计算（Cloud Computing）、大数据（Big Data）、边缘计算（Edge Computing）的简称。为什么把这5位放在一起说呢？这5位都是上世纪被提出，在本世纪出开始被重视，然后现在 科技 工程界最火的F5。

- 人工智能

五人组里边，大哥是人工智能，算是现在 科技 界名头最响亮的大哥，大哥出身高贵，混迹于上层名流圈。但凡一个新的小兄弟想加入 科技 圈，不跟人工智能大哥混好关系那是进不来的。人工智能最近买的热搜呢就是大家熟知的案例就是阿尔法狗，阿尔法狗大战李世石，逼出了李世石神之一手才胜了阿尔法狗一句。当时各种对阿尔法狗和人工智能的吹捧甚嚣尘上，说的好像用不了多久人工智能就造反了要取代人类一样。但是我们现在重点研究的人工智能是弱人工智能，跟大片中展现的有思考创造能力，有性格的强人工智能还是有很大的差距。

- 物联网

二哥物联网，物联网相比较于大哥就低调了不少，大哥能够混入上层名流圈，物联网兄弟就是很接地气了，虽然这物联网的出身也很好，最早是麻省理工大学提出了物联网的构想，并且很早就被 科技 界认为是关键技术。物联网兄弟虽然是名门出身，但是一点没有架子，为人低调走雷锋好同志的路线。

物联网呢有两个大优点，一是能够忍受各种环境，各种恶劣、极端的环境他都可以忍受，从井盖、地下管道、阀门到沙漠、高原、雪山等环境，只要领导分配了任务，他就勤勤恳恳的一直干下去一点也没有富二代应该有的表现；二是精力充沛，只要物联网设备部署了，他就一直埋头苦干，一直干到没电，如果说996是福报，那么物联网的一生就是美丽人生。

- 云计算

三哥和四哥是云计算和大数据，这俩呢算是双胞胎，所以咱们一起说道一下。老有人问，什么是云啊？云就是将算力、存储资源作为服务的服务器集群，其实就是一大堆服务器。所以公有云就是大家都可以使用的一大堆服务器，私有云就是只有“云主”能使用的一堆服务器，那混合云就是大家和“云主”都可以使用的一大堆服务器。

云计算家里富裕，而且会做生意，自己买了很多服务器资源，希望其他人都租用他们家的。他也是勤快人，他让别人把数据、应用都迁移到他们家的云上去，这个服务器的维护、升级都由他自己来做，有什么需求都跟他提，他就按照别人的需求去扩容，CPU不够了呢就加CPU，内存不够用了就给加内存。

云计算的带货模式主要分为三种IAAS、PAAS、SAAS。

IAAS（infrastructure as a service）就是基础设施即服务，是将基础的计算、存储资源作为卖，直白来说就是出租CPU和内存；

PAAS（platform as a service）就是平台即服务，云计算把将部署在云中的平台以能力开放的形式提供给客户，常见的例是很多软件支付的时候采用微信、支付宝来付款；

SAAS（software as a service）软件即服务，将云上的软件作为服务提供给客户，客户可以直接通过浏览器访问他们家的网站去使用线上软件。

三哥云计算通过以上的模式让大家把程序、应用和数据呢都放到他那里，当越来越多的数据和应用汇聚到一起的时候，四弟大数据就可以闪亮登场了。

- 大数据

这四弟大数据，看似其貌不扬但是洞察力很强，决策能力强，能从一堆杂乱无章的东西里边看出内在规律、事物的本质和内在联系，所以可以果断给出各种建议和对策。

大数据能这么厉害主要是两个能力很突出：一是他能一心多用，而且反应很快，不管扔给他多少数据和文件，他都能同时给你处理了，如果是当场传输的实时数据，他就实时流处理；如果是滞后的数据，他可以批处理。二是思维活跃，他把这些数据采集到以后，他有很多高级的方法去处理，大数据跟大哥人工智能偷学了很多手段，也充分发挥了自己的聪明才智拓展了很多手段，机器学习领域的贝叶斯、逻辑回归、决策树算法以及深度学习领域的CAFFE、TensorFlow框架都被他灵活运用了。他的能力有多强呢，咱们每天打电话、上网产生的移动数据都丢给大数据，他就能分析出这个区域的人口情况，每天通勤的整体态势，消费习惯等等。

- 边缘计算

五兄弟里边最后出场的五弟是边缘计算。这个边缘计算岁数最小，可是他最受运营商喜欢，为什么呢，他跟运营商的5G网络灵活的特性非常契合，而且跟三哥云计算还长得像，不过他跟云计算大包大揽的方式又截然相反。边缘计算是将计算能力、存储资源部署在网络边缘。所谓边缘，就是远离中心，电信网络的核心网都是在大区域内集中部署，云计算呢也是将计算、存储资源集中部署，但是边缘计算恰恰相反，他就是依靠着运营商广泛分布的网络、机房将各种资源放到离客户近的地方，这样呢不需要数据、应用远离客户现场，就让客户就近使用。例如移动推广的车联网、云 游戏 、4K/8K高清视频加速都是需要边缘计算技术。

结语

未来移动会以5G+AICDE五兄弟为核心，以技术创新为驱动力，全力发展前沿 科技 ，重视创新成果，助力信息通信业务发展。

深度学习是机器学习的分支，是一种以人工神经网络为架构，对数据进行表征学习的算法。深度学习在搜索技术，数据挖掘，机器学习，机器翻译，自然语言处理等多个领域都取得了卓越的成果，可见其重要性

熟悉深度学习的人都知道，深度学习是需要训练的，所谓的训练就是在成千上万个变量中寻找最佳值的计算。这需要通过不断的尝试识别，而最终获得的数值并非是人工确定的数字，而是一种常态的公式。通过这种像素级的学习，不断总结规律，计算机就可以实现像人一样思考。因而，更擅长并行计算和高带宽的GPU，则成了大家关注的重点。

很多人认为深度学习GPU服务器配置跟普通服务器有些不一样，就像很多人认为做设计的机器一定很贵一样。其实只要显卡或者CPU满足深度学习的应用程序就可以进行深度学习。由于现在CPU的核心数量和架构相对于深度学习来说效率会比GPU低很多，所以大部分深度学习的服务器都是通过高端显卡来运算的。

这里谈谈关于深度学习GPU服务器如何选择，深度学习服务器的一些选购原则和建议：

1、电源：品质有保障，功率要足够，有30~40%冗余

稳定、稳定、还是稳定。一个好的电源能够保证主机再长时间运行不宕机和重启。可以想象一下，计算过程中突然重启，那么又要重来，除了降低效率，还影响心情。有些电源低负载使用的时候可能不出问题，一旦高负载运行的时候就容易出问题。选择电源的时候一定要选择功率有冗余品质过硬，不要功率刚刚好超出一点。

2、显卡：目前主流RTX3090,最新RTX4090也将上市

显卡在深度学习中起到很重要的作用，也是预算的一大头。预算有限，可以选择RTX3080 /RTX3090/RTX4090(上月刚发布，本月12日上市)。预算充足，可以选择专业深度学习卡Titan RTX/Tesla V100 /A6000/A100/H100（处于断供中）等等。

3、CPU：两家独大，在这要讲的是PC级和服务器级别处理器的定位

Intel的处理器至强Xeon、酷睿Core、赛扬Celeron、奔腾Pentium和凌动Atom5个系列，而至强是用于服务器端，目前市场上最常见的是酷睿。当下是第三代Xeon Scalable系列处理器，分为Platinum白金、Gold金牌、 Silver 银牌。

AMD处理器分为锐龙Ryzen、锐龙Ryzen Pro、锐龙线程撕裂者Ryzen Threadripper、霄龙EPYC，其中霄龙是服务器端的CPU，最常见的是锐龙。当下是第三代 EPYC（霄龙）处理器 ，AMD 第三代 EPYC 7003 系列最高 64核。

选择单路还是双路也是看软件，纯粹的使用GPU运算，其实CPU没有多大负载。考虑到更多的用途，当然CPU不能太差。主流的高性能多核多线程CPU即可。

4、内存：单根16G/32G/64G 可选，服务器级别内存有ECC功能，PC级内存没有，非常重要

内存32G起步，内存都是可以扩展的，所以够用就好，不够以后可以再加，买多了是浪费。

5、硬盘：固态硬盘和机械硬盘，通常系统盘追求速度用固态硬盘，数据盘强调存储量用机械盘

固态选择大品牌企业级，Nvme或者SATA协议区别不大，杂牌固态就不要考虑了，用着用着突然掉盘就不好了。

6、机箱平台：服务器级别建议选择超微主板平台，稳定性、可靠性是第一要求

预留足够的空间方便升级，比如现在使用单显卡，未来可能要加显卡等等；结构要合理，合理的空间更利于空气流动。最好是加几个散热效果好的机箱风扇辅助散热。温度也是导致不稳定的一个因素。

7、软硬件支持/解决方案：要有

应用方向：深度学习、量化计算、分子动力学、生物信息学、雷达信号处理、地震数据处理、光学自适应、转码解码、医学成像、图像处理、密码破解、数值分析、计算流体力学、计算机辅助设计等多个科研领域。

软件： Caffe, TensorFlow, Abinit, Amber, Gromacs, Lammps, NAMD, VMD, Materials Studio, Wien2K, Gaussian, Vasp, CFX, OpenFOAM, Abaqus, Ansys, LS-DYNA, Maple, Matlab, Blast, FFTW, Nastran等软件的安装、调试、优化、培训、维护等技术支持和服务。

————————————————

版权声明：本文为CSDN博主「Ai17316391579」的原创文章，遵循CC 40 BY-SA版权协议，转载请附上原文出处链接及本声明。

原文链接：>

---