深度学习工具的概述

2022-03-20 08:46:26来源：

在人工智能（AI）文艺复兴的中间，文艺复兴地区的行业正常。由于当天技术平台的局限性，这一领域的初始工作缺少其终结状态，而20世纪80年代左右的某个地方。

因此，AI的第一岁是被忽视到它动力通电汽车的电影，人形机器人和选择其他愚蠢的想象的产品。

通过处理到数据存储的硬件的进步，通过硬件的进步促进了AI的当前重新制造; Butalsoby我们现在正在开发复杂的算法结构，该结构能够在这些新的超级驱动底座上运行。

ASIT部门STARTWORKTOSTOWATIONTENTERTERPRISE软件堆栈，它是为了使我们的AI“大脑”如此聪明的突触连接内部发生的内容。

ByknowingMore关于被架构的软件结构，理论上的开发人员扫描，更智能地适用于为明天设计的应用程序的进步。

“工具”中的关键是众多AI开发人员现在将学习是Tensorflow。由Google建造和开放，Tensorflow是一个符号数学库，用于在Python编程语言中构建AI智能。TensoRFlow可以是（例如）用于构建“分类器” - 即可视图像扫描组件，其可以识别40下代码行中的手写数值。

描述了谷歌大脑宣传的Tensorflow工程总监Rajat Monga背后的原则，说：“深度学习是机器学习的分支，大脑本身如何发展。我们专注于让人类更容易使用周围的设备，我们认为制作TensorFlow一个开源工具有助于和速度努力。“

TensoRFlow在谷歌的语音识别系统中大量使用，最新的Google照片产品，并且至关重要地，在核心搜索功能中。它还用于提供Gmail内部的最新AI功能扩展 - 许多用户可能已经注意到Gmail中的越来越多的自动完成选项，称为智能组件的开发。

在该地区开发的工具和图书馆专注于经过频率的方式，作为“感知理解”。这是致专用于让计算机的图像扫描仪在巷道方向上指向的AI模型编码的分支知道它正在查看招牌，而不仅仅是墙上的字母。所以应用的上下文是AI元素的关键。

SCALE也是许多这些类型的AI和机器学习库的关键，因此他们需要能够同时在多个CPU，多个GPU甚至多个操作系统上运行。Tensorflow擅长这一点，并且是这里讨论的大部分代码的共同属性。

“今天最强大的深度学习团队使用了更受欢迎的框架之一 - 我正在谈论技术似然似然突出，克拉斯，Pytorch，Mxnet或Caffe。

“这些框架使软件工程师能够建立和培训他们的算法并在AI AITAIDOC的AI Ataidoc，AI AI Ataidoc主管下，使用AI来检测放射学中的急性病例，”Ai Ataidoc主管探讨了“大脑”。

除了提到的，还有几个类别的工具，使深度学习工程师能够更快，更有效地“执行”工作。示例包括用于在深度学习（例如MissingLink.ai）周围自动执行Devops相关任务的工具，根据TABASSUK的加速算法培训的工具（如优步“Shorovodand Run.AI）。

此空间的Microsoft'swork符合Microsoft认知工具包（以前称为CNTK的艺术家）的形式。该库有助于增强分离计算网络的模块化和维护。

此工具包可用于构建AI随时间累积累积的增强学习（RL）功能。它也可用于开发生成的对抗网络（GANS），一类在无监督机器学习中发现的AI算法。

IBM在这个空间中有一个非常可见的手，沃特森品牌。尽管最近获得了Red Hat的收购，但IBM方法比某些人更加专有，即公司为开发人员提供了使用的代表状态转移应用程序编程接口（REST API）和软件开发套件（SDK）的收集Watson认知计算解决复杂问题。

选择AI和深层学习工具

咖啡：Caffe一个用于深度学习的开源框架，支持各种类型的软件架构，这些软件架构旨在考虑到图像分割和图像分类。Deeplearning4J：Deeplearning4jis是JVM的一个开源，分布的深度学习库。该公司索赔它非常适合培训分布式深度学习网络，可以在不失去速度的情况下处理大量数据。IBM WATSON：IBM已将Watson定位为“对业务的深度学习”。Keras：Kerasis在Python中写的一个开源神经网络库。Microsoft认知工具包 - 微软研究开发的深度学习框架。Microsoft认知工具包通过定向图描述神经网络作为一系列计算步骤。mlflow：DataBricks的工具支持机器学习。mxnet：apachemxnetisascalableTrationandandingFrameWorkWitha协议机械训练。pybrain：开源，模块化机器学习库。Scikit-Learn：Scikit-Searn是一个用于Python的开源机器学习框架，可用于数据挖掘，数据分析和数据可视化。Tensorflow：这是一个openSource库，支持计算。它结合了多种机构的学习和深度学习技术来支持脸部和手写识别等应用。Theano：Theano是一种使用计算机代数系统定义，优化，操作和评估数学表达式的Python库。火炬：火炬是支持机器学习算法的科学计算的开源框架。

FacebookIS还为AI和机器学习的大品牌组。所以被视为竞争对手的竞争对手。

Facebook今年也开辟了它的地平线强化学习（RL）产品。根据地平线后面的开发人员团队，“机器学习（ML）系统通常会产生预测，但随后要求工程师将这些预测转换为策略（即采取行动的策略）。另一方面，RL创建制定决策的系统，采取行动，然后根据他们收到的反馈进行调整。“

AI大脑中的神经节点Aloverview将是疏忽，而无需提及许多其他关键库和工具集.Caffe是深度学习的开源框架，可用于构建所谓的卷积神经网络（CNN），通常总是总是用于图像分类。由于对各种不同类型的软件架构的支持，Caffe与一些开发人员一起融洽。

Deeplearning4jis for aidevelopertoolbox的另一个工具。此ISAN开源分布式Deep学习库为Java虚拟机。对于Python开发人员，iscikit，AMOCHINE学习FrameWorked是针对的任务，包括数据挖掘，数据分析和数据可视化。

还有Theano，一个Python库，用于定义和管理数学表达式，这使得开发人员能够执行涉及多维数组的数值操作，以实现大型计算密集型计算。

在现实世界（但仍然是AI世界）中，我们可以在他们的开发人员功能中使用许多不同的工具集，图书馆和代码方法来查看公司来尝试构建他们寻求的机器智能。

根据Adatabricks Cio调查，87％的组织平均投资了七种不同的机器学习工具 - 这当然增加了使用此数据周围存在的组织复杂性。

Databricks尝试通过制作和打开一个名为MLFLIF的项目来解决部分挑战。目标与MLFlowis有助于管理机器学习实验，并将它们放入有效变为生命周期。它还努力使其更容易分享项目设置并将这些模型进行生产。

该公司坚持认为，如果我们希望随着时间的推移更容易采用和发展，我们需要更加标准化的方法来管理一个地方的工具，数据，库和工作流程.MLFlowwas于2018年6月播放。

由于这些工具现在发展，我们目睹了一些共同的主题浮出水面。这些软件功能中的灵活性通常以性能或扩展的能力或能力的成本，或者确实两者。如果工具集紧紧耦合到一种语言或部署格式，则重新展开更大，更广泛，更频繁地重新覆盖它通常更难。

随着时间的推移，似乎没有统一的平台或一些更广泛的社区驱动的迁移到最有效，最强大，最开放，最聪明，最聪明，最“培训”工具集合。