netlib

机器学习框架和深度学习框架是有区别的。本质上,机器学习框架涵盖了分类、回归、聚类、异常检测等各种学习方法,可能不包括神经网络方法。深度学习或深度神经网络(DNN)的框架覆盖了具有许多隐藏层的神经网络拓扑。图层越多,可用于聚类和分类的要素就越复杂。

netlib

Caffe,CNTK,DeepLearning4j,Keras,MXNet,TensorFlow都是深度学习框架。Scikit-learning和Spark MLlib是机器学习框架。而Theano跨越了这两个范畴。

一般来说,简单的机器学习方法不需要GPU加速。虽然您可以在一个或多个CPU上训练DNN,但这种训练通常很慢。需要训练的神经元和层数越多,可以用于训练的数据就越多,需要的时间就越长。

咖啡

Caffe深度学习项目,原本是一个强大的图像分类框架,目前似乎停滞不前。已经在1.0 RC3版本卡了一年多,创始人已经离开项目。但还是有不错的卷积网络图像识别和不错的Nvidia CUDA GPU支持。但是它的模型通常需要大量的GPU内存(1GB以上)才能运行。

Caffe有命令行、Python和Matlab接口,依靠ProtoText文件定义模型和求解器。Caffe用自己的模型模式一层一层地定义网络。当数据和派生数据向前向后遍历网络时,Caffe以blob(二进制对象)的形式存储、交流和操作信息,其内部是一个以C连续方式存储的N维数组。

Caffe已经证明了它在图像分类方面的有效性,但是它的全盛时期似乎已经过去了。除非现有的Caffe模型符合你的需求,或者可以根据你的用途进行微调,否则我建议使用TensorFlow,MXNet或者CNTK。

微软认知工具包

微软认知工具包是一个快速易用的深度学习软件包,但与TensorFlow相比范围有限。它拥有各种模型和算法,出色的支持Python和Jupyter notebook,一种有趣的声明式BrainScript神经网络配置语言,可以自动部署在Windows和Ubuntu Linux上。

不好的方面是,当我查看Beta 1文档时,我发现它还没有完全更新到CNTK 2,并且该包不支持MacOS。尽管CNTK 2自Beta 1以来做了许多改进,包括新的内存压缩模式以减少GPU的内存使用和新的Nuget安装包,但MacOS支持仍然缺失。

CNTK 2组件可以处理来自Python、C ++或BrainScript的多维密集或稀疏数据。认知工具包包括各种神经网络类型:FFN(前馈)、CNN(卷积)、RNN/LSTM(递归/长时短时记忆)等等。它支持强化学习,生成监督和非监督学习,自动超参数调整,以及从Python到GPU添加新的用户定义的核心组件的能力。可以在多个GPU和机器上实现精确并行。

MXNet

MXNet是一个可移植、可扩展的深度学习库,是亚马逊推出的DNN框架选择。MXNet可以跨多台主机扩展到多个GPU,线性扩展效率接近85%,具有优秀的开发速度、可编程性和可移植性。它不同程度地支持Python、R、Scala、Julia和C ++,并且允许混合命令式编程风格。

MXNet目前支持Python、R、Scala、Julia和C ++中模型的构建和训练,训练好的MXNet模型也可以用于Matlab和JaScript中的预测。无论选择哪种语言构建模型,MXNet都会调用优化后的C ++后端引擎。

sci kit-学习

Scikit-learn Python框架有广泛可靠的机器学习算法,但没有深入学习。如果你是Python爱好者,Scikit-learn可能是你最好的选择。Scikit-learn是一个强大而成熟的机器学习库,集成了各种成熟的算法。它相对容易安装、学习和使用,并且有很好的例子和教程。

另一方面,Scikit-learn不包括深度学习或强化学习,缺乏图形模型和序列预测,无法真正使用Python以外的语言。它不支持PyPy、Python实时编译器或GPU。它使用Cython来处理快速函数,例如内部循环。

InfoWorld ScorecardModels and algorithms (25%)Ease of development (25%)Documentation (20%)Performance (20%)Ease of deployment (10%)Overall Score (100%)Caffe 1.0 RC3887988.0Microsoft Cognitive Toolkit v2.0 Beta 18981098.8MXNet v0.78871088.2Scikit-learn 0.18.1999898.8Spark MLlib 2.01988988.5TensorFlow r0.109891088.9

火花MLlib

Spark MLlib是Spark的开源机器学习库,提供常用的机器学习算法,如分类、回归、聚类和协同过滤(但不包括DNN)、特征提取、变换、降维,以及机器学习流水线的构建、评估和调整。Spark MLlib还包括用于保存和加载算法、数据处理以及线性代数和统计的实用程序。

Spark MLlib是用Scala写的,BreezeBreeze在netlib-ja上使用线性代数包Breeze优化数值处理,虽然这意味着在开源分发中优化CPU的使用。Databricks提供了一个定制的Spark集群,与GPU配合使用,可能会为用大数据训练复杂的机器学习模型带来10倍的速度提升。

Spark MLlib有完整的Scala和Ja的API,主要是Python和一些R的API,通过计算实例可以得到很好的覆盖:54个Ja和60个Scala机器学习实例,52个Python机器学习实例和5个R实例。

张量流

TensorFlow,Google的可移植机器学习和神经网络库,实现和扩展都很好,虽然学起来有点难。TensorFlow拥有各种模型和算法,在配有GPU(用于训练)或谷歌TPU(用于生产规模预测)的硬件上有着出色的性能。它还对Python有很好的支持,有很好的文档和软件来显示和理解描述其计算张量板的数据流图。

TensorFlow可以方便地处理各种神经网络,包括目前正在转变图像识别和语言处理领域的深度CNN和LSTM循环模型。调试异步网络求解器非常简单,TensorBoard软件可以帮助可视化图形。

从Caffe、微软认知工具包、MXNet、TensorFlow这些深度学习包中选择一个是一个艰难的决定。我不推荐Caffe,因为它的发展是停滞的。然而,在其他三个中选择一个也很棘手。

认知工具包现在有Python和C ++ API以及BrainScript,一种网络配置语言。如果你喜欢使用配置文件,那么Cognitive Toolkit可能是个不错的选择。但是好像没有TensorFlow成熟,也不能在MacOS上运行。

MXNet支持Python、R、Scala、Julia和C ++,但它最受支持的API是针对Python的。MXNet在多个主机的多个GPU上表现出良好的可扩展性(85%的线性度)。

TensorFlow大概是三个包里面最成熟的了,是个不错的选择。TensorFlow有基本的构建模块,但它还需要编写大量代码来描述一个神经网络。有三个简化的API与TensorFlow一起解决这个问题:tf.contrib.learn、TF-Slim和Keras。支持TensorFlow最后要考虑的是TensorBoard,这对可视化和理解数据流图非常有用。

免责声明:本站所有文章内容,图片,视频等均是来源于用户投稿和互联网及文摘转载整编而成,不代表本站观点,不承担相关法律责任。其著作权各归其原作者或其出版社所有。如发现本站有涉嫌抄袭侵权/违法违规的内容,侵犯到您的权益,请在线联系站长,一经查实,本站将立刻删除。

发表回复

登录后才能评论