如何根据需求选择机器学习软件库

TensorFlow是谷歌基于DistBelief进行研发的第二代人工智能学习系统，其命名来源于本身的运行原理。Tensor（张量）意味着N维数组，Flow（流）意味着基于数据流图的计算，TensorFlow为张量从流图的一端流动到另一端计算过程。TensorFlow是将复杂的数据结构传输至人工智能神经网中进行分析和处理过程的系统。

Scikit-Learn是用Python开发的机器学习库，其中包含大量机器学习算法、数据集，是数据挖掘方便的工具。每个工具都有其利弊，但是Python在各方面都相对胜出一些，这是因为scikit-learn库实现了很多机器学习算法。

Caffe，全称Convolutional Architecture for Fast Feature Embedding。是一种常用的深度学习框架，在视频、图像处理方面应用较多。

Chainer: 一个强大、灵活、直观的机器学习 Python软件库，能 够在一台机器上利用多个 GPU，是由 Preferred Networks 开发；Chainer 的设计基于 define by run 原 则，也就是说，该网络在运行中动态定义，而不是在启动时定义。

CNTK: 微软研究人员开发的用于深度神经网络和多GPU 加速技 术的完整开源工具包。微软称 CNTK在语音和图像识别方面，比谷歌的 TensorFlow 等其它深度学习开源工具包更有优势。

Theano: 是一个用 Python 编写的极其灵活的 Python 机器学习 库，用它定义复杂的模型相当容易，因此它在研究中极其流行。

Deeplearning4j: 专注于神经网络的 Java 库，可扩展并集成 Spark，Hadoop 和其他基于 Java 的分布式集成软件。

可用性：ensorFlow 工作流程相对容易，API 稳定，兼容性好，并且 TensorFlow 与 Numpy 完美结合，这使大多数精通 Python 数据科学家很容易上手。与其他一些库不同，TensorFlow 不需要任 何编译时间， 这允许你可以更快地迭代想法。在TensorFlow 之上 已经建立了多个高级 API，例如Keras 和 SkFlow，这给用户使用TensorFlow 带来了极大的好处；

灵活性：TensorFlow 能够在各种类型的机器上运行，从超级计算机到嵌入式系统。它的分布式架构使大量数据集的模型训练不需要太多的时 间。TensorFlow 可以同时在多个 CPU，GPU 或者两者混合运行。

效率：自TensorFlow 第一次发布以来，开发团队花费了大量的时间和努力 来改进TensorFlow 的大部分的实现代码。 随着越来越多的开发人 员努力，TensorFlow 的效率不断提高。

支持：TensorFlow 由谷歌提供支持，谷歌投入了大量精力开发 TensorFlow，它希望 TensorFlow 成为机器学习研究人员和开发人员的通用语言。此外，谷歌在自己的日常工作中也使用 TensorFlow，并且持续对其提供支持，在 TensorFlow 周围形成了 一个强大的社区。谷歌已经在 TensorFlow 上发布了多个预先训练好的机器学习模型，他们可以自由使用。