1
前不久，雷鋒網(wǎng)曾盤點了一系列機器學習相關的開源平臺，包括谷歌的TensorFlow、微軟的CNTK以及百度的PaddlePaddle等等（詳情見文末“相關閱讀”）。這些平臺各具特點，其中某些已經(jīng)在業(yè)內(nèi)得到了廣泛認可和應用。
與此前不同，本文將從開發(fā)者的角度出發(fā)，特別是針對開發(fā)者中為數(shù)眾多的Linux系統(tǒng)和Mac系統(tǒng)用戶，奉上一篇針對泛Linux生態(tài)的頂級人工智能開源工具盤點（當然，有些工具也并非只兼容Linux）。
Deeplearning4j（Deep Learning For Java）是Java和Scala環(huán)境下的一個開源分布式的深度學習項目，由總部位于美國舊金山的商業(yè)智能和企業(yè)軟件公司Skymind牽頭開發(fā)，并得到了騰訊的投資。正如它的命名，Deeplearning4j的運行需要Java虛擬機JVM的支持。
Deeplearning4j團隊在官網(wǎng)表示，他們希望通過一些深度學習算法的開發(fā)，將商業(yè)帶入智能化數(shù)據(jù)的時代。也正是為了實現(xiàn)這一理想，惠及更多的用戶，因此選擇了移植性更好的Java環(huán)境來實現(xiàn)這些算法。目前，Deeplearning4j的這些算法已經(jīng)在谷歌、Facebook和微軟等平臺得到了廣泛應用。
值得一提的是，為了便于開發(fā)者自由定制，Deeplearning4j已經(jīng)開放了盡可能多的算法調節(jié)接口，并對接口參數(shù)做出了詳盡解釋。同時，Deeplearning4j團隊還開發(fā)了針對矩陣運算的ND4J和ND4S庫（N-Dimensional Arrays for Java/Scala），同樣需要JVM的支持。
Deeplearning4j遵循Apache 2.0開源協(xié)議，提供了基于AWS云服務的GPU運算支持，以及微軟服務器框架的支持。
官網(wǎng)：http://deeplearning4j.org/
Caffe的全稱是 “Convolution Architecture For Feature Extraction”，意為“用于特征提取的卷積架構”，主要開發(fā)者來自伯克利大學的視覺與學習中心（Berkeley Vision and Learning Center，BVLC），基于BSD 2-Clause開源許可協(xié)議發(fā)布。
Caffe是業(yè)內(nèi)著名的深度學習框架，根據(jù)官網(wǎng)介紹，其主要特點是：運算速度快（官方顯示在單片NVIDIA K40 GPU的運算能力下，Caffe每天可以處理超過60M的圖片數(shù)據(jù)），模塊定制方便（在CPU或GPU之間的轉換只需要簡單修改一下參數(shù)設定），擴展能力強大（目前有超過一千名開發(fā)者基于Caffe開發(fā)了分支版本），以及豐富的社區(qū)支持（Caffe已經(jīng)被授權給各種研究機構、初創(chuàng)公司和工業(yè)集團），因此特別適合于神經(jīng)網(wǎng)絡建模和圖像處理任務。
官網(wǎng)：http://caffe.berkeleyvision.org/
H2O（即水的化學式）是一個開源、快速、可擴展的分布式機器學習框架，同時提供了大量的算法實現(xiàn)。它支持深度學習、梯度推進（Gradient Boosting）、隨機森林（Random Forest）、廣義線性模型（即邏輯回歸，彈性網(wǎng)絡）等各種機器學習算法。
H2O框架的核心代碼由Java編寫，數(shù)據(jù)和模型通過分布式的key/value存儲在各個集群節(jié)點的內(nèi)存中，算法使用Map/Reduce框架實現(xiàn)，并使用了Java中的Fork/Join機制來實現(xiàn)多線程。
H2O是一個更關注企業(yè)用戶的人工智能分析工具，它聚焦于為掌握大量數(shù)據(jù)的企業(yè)用戶提供快速精準的預測分析模型，從海量數(shù)據(jù)中提取有助于商業(yè)決策的信息。
根據(jù)H2O官方的數(shù)據(jù)，目前已經(jīng)有超過7萬名數(shù)據(jù)科學家和8萬家組織機構成為了H2O平臺的忠實擁躉。
官網(wǎng)：http://www.h2o.ai/
MLlib是Apache開源項目Spark針對一些常用的機器學習算法的實現(xiàn)庫，同時也包括了相關的測試程序和數(shù)據(jù)生成器。
按照官網(wǎng)的描述，MLlib的主要特點是易用（天生兼容Spark框架的API接口和Python、Java、Scala等多種語言）、高性能（依靠Spark的數(shù)據(jù)管理能力，運行迭代和邏輯回歸算法時比Hadoop框架快100倍）和易于部署（可以直接在現(xiàn)有的Hadoop數(shù)據(jù)集群上運行）。
MLlib目前支持分類、回歸、推薦、聚類、生存分析等多種機器學習算法。
官網(wǎng)：https://spark.apache.org/mllib/
Apache Mahout同樣也是一個Apache開源項目，與MLlib相對應，Mahout是應用在Hadoop平臺下的機器學習開源框架。
Mahout有如下三個主要特點：
1) 提供簡單、可擴展的編程環(huán)境和框架；
2) 同時為Scala + Apache Spark、H2O以及Apache Flik平臺提供打包好的算法實現(xiàn)；
3) 支持R語言的語法規(guī)則進行矩陣計算。
官網(wǎng)：http://mahout.apache.org/
OpenNN的全稱為“Open Neural Networks Library”，即開源神經(jīng)網(wǎng)絡庫，其核心代碼由C++編寫，從名字就可以看出，其主要面向深度學習領域，助力于用戶構建各種不同的神經(jīng)網(wǎng)絡模型。
據(jù)官方描述，OpenNN可用于實現(xiàn)監(jiān)督學習場景中任何層次的非線性模型，同時還支持各種具有通用近似屬性的神經(jīng)網(wǎng)絡設計。
除了模型的多層支持外，OpenNN最主要優(yōu)勢還在于強大的性能表現(xiàn)。具體來說就是，OpenNN能夠通過C++語言實現(xiàn)的核心代碼高效地調節(jié)內(nèi)容使用，通過OpenMP庫很好地平衡多線程CPU調用，以及通過CUDA工具對GPU進行加速。
官網(wǎng)：http://www.opennn.net/
Oryx 2是Oryx項目的2.0版，前身名為 Myrrix，后來被大數(shù)據(jù)公司 Cloudera 收購，才改名為 Oryx。
Oryx 2.0關注于大規(guī)模機器學習/預測分析基礎框架的實時表現(xiàn)，它基于Apache Spark和Apache Kafka框架開發(fā)，并重新設計了Lambda架構，使得層次之間的復用性更強。
2.0版相比之前實現(xiàn)了更多算法，包括ALS協(xié)同過濾、隨機森林、以及K-means++等。
官網(wǎng)：http://oryx.io/
OpenCyc是Cycorp公司推出的一個基于Cyc的開源版本，而Cyc是目前全球最龐大、最完備的通用型知識庫與常識推理引擎。
OpenCyc包含數(shù)十萬個精心組織的Cyc詞條。Cycorp公司不但免費提供OpenCyc，同時也鼓勵開發(fā)者基于OpenCyc開發(fā)針對于特定應用領域的分支版本。
目前，OpenCyc已經(jīng)被成功應用在大數(shù)據(jù)建模、語言數(shù)據(jù)整合、智能文本理解、特定領域的專家系統(tǒng)建模和人工智能游戲。
官網(wǎng)：http://www.cyc.com/platform/opencyc/
SystemML是一個利用機器學習算法進行大數(shù)據(jù)分析的開源AI平臺，其主要特點是支持R語言和Python的語法，專注于大數(shù)據(jù)分析領域，以及專門為高階數(shù)學計算設計。
按照官網(wǎng)的介紹，Apache SystemML基于Apache Spark框架運行，其最大的特點就是能夠自動、逐行地評估數(shù)據(jù)，并根據(jù)評估結果確定用戶的代碼應該直接運行在驅動器上還是運行在Apache Spark集群上。
除了Apache Spark之外，SystemML還支持Apache Hadoop、Jupyter和Apache Zeppelin等多個平臺。目前，SystemML技術已經(jīng)成功應用在交通、航空和金融等多個領域。
官網(wǎng)：http://systemml.apache.org/
NuPIC是一個與眾不同的開源機器智能平臺，它基于一種大腦皮層理論，即“層級實時存儲算法”（Heirarchical Temporary Memory，HTM）。NuPIC聚焦于分析實時數(shù)據(jù)流，可以通過學習數(shù)據(jù)之間基于時間的狀態(tài)變化，對未知數(shù)據(jù)進行預測，并揭示其中的非常規(guī)特性。
NuPIC關鍵的功能特性包括：
1) 持續(xù)的在線學習：NuPIC模型可以持續(xù)根據(jù)快速變化的數(shù)據(jù)流進行實時調整；
2) 時間和空間分析：像人腦一樣，NuPIC可以同時模擬時間和空間的變化；
3) 實時的數(shù)據(jù)流分析：智能化的數(shù)據(jù)分析不會隨著數(shù)據(jù)量的增加而改變；
4) 預測和建模：通過通用性的大腦皮層算法，對數(shù)據(jù)進行預測、建模和學習；
5) 強大的異常檢測能力：實時檢測數(shù)據(jù)流的擾動，不依靠僵化的閾值設置和過時的算法；
6) 層級實時存儲算法：支持全新的HTM計算架構。
官網(wǎng)：http://numenta.org/
由于2016僅僅是人工智能走向主流的元年，未來隨著技術的進一步發(fā)展和革新，勢必會出現(xiàn)更多、更豐富的開發(fā)工具。這里值得注意的一點是：工具的意義不僅在于解決了日常研發(fā)中遇到的各種問題，更在于降低了開發(fā)的難度，引導了更多人投入到人工智能的研發(fā)之中。雷鋒網(wǎng)
來源：tecmint，雷鋒網(wǎng)編譯
相關閱讀：
BAT 在下一盤大棋？深度盤點國內(nèi)四大機器學習開源平臺
盤點四大民間機器學習開源框架：Theano、Caffe、Torch 和 SciKit-learn
谷歌、微軟、OpenAI 等巨頭的七大機器學習開源項目 看這篇就夠了
雷峰網(wǎng)版權文章，未經(jīng)授權禁止轉載。詳情見轉載須知。
