近年来，由于AI领域的迅猛发展，AI这一词汇已经成为一个流行语。AI曾被称为是一个书呆子和天才的领域，但由于各种库和框架的发展，使更多的人开始了他们的AI之旅。
不知道自己应该选哪个AI框架和库？看看本文就知道了。本文为AI开发工程师们梳理了现在最流行的框架和库，并简单分析了它们的优缺点。
语言：C++或Python。
当你进入AI时，你听到的框架之一就是Google的TensorFlow，TensorFlow是一个使用数据流图进行数值计算的开源框架。这个框架被称为具有允许在任何CPU或GPU上进行计算的架构，而且这个框架在Python编程语言中是可用的，这也是Python大火的原因。
TensorFlow是通过称为节点的数据层进行排序，并根据获得的信息做出决定。
优点：—使用易于学习的语言（Python）—使用计算图抽象—可以使用可视化的TensorBoard
缺点：—它很慢，因为Python不是编程语言中最快的—不完全开源—缺乏许多预先训练的模型
语言：C++。
我们可以称之为它是微软对Google的TensorFlow的回应。
微软的CNTK是一个增强分离计算网络模块化和维护的库，它提供了学习算法和模型描述。在需要大量服务器进行操作的情况下，CNTK可以同时利用多台服务器。
据说它的功能与Google的TensorFlow相近，但是，它更快。
优点：—允许分布式培训—支持C++，C＃，Java和Python—非常灵活
缺点：—缺乏可视化—它以一种新的语言——Network Deion Language（NDL）来实现
语言：Python。
Theano允许以高效率的方式进行多维数组的数值操作，是一个功能强大的Python库。
该库透明地使用GPU来执行数据密集型计算而不是CPU，因此操作效率很高。出于这个原因，Theano已经被用于为大规模的计算密集型操作长达十年的时间。然而，于2017年9月，Theano的1.0版本停止。
优点：—有效的计算任务—优化CPU和GPU
缺点：—需要与其他库一起使用以获得高度的抽象—AWS使用它上有点bug—与其他库相比，原生Theano有点低级
语言：C++。
Caffe是一个强大的深度学习框架，借助Caffe，你可以非常轻松地构建用于图像分类的卷积神经网络（CNN）。
Caffe主类：
优点：—无需编写代码即可进行模型的训练—Python和MATLAB都可用
缺点：—对于RNN网络不太友好—对于新体系结构不太友好
语言：Python。
Keras是一个用Python编写的开源的神经网络库，且并不是一个端到端的机器学习框架。相反，它作为一个接口，提供了一个高层次的抽象，这使得神经网络的配置变得简单，无论它坐在哪个框架上。
优点：—很容易扩展—在CPU和GPU上无缝运行—与Theano和TensorFlow无缝工作
缺点：—不能有效地用作独立的框架
语言：C。
Torch是一个用于科学和数字操作的开源机器学习库，且是一个基于Lua编程语言的库而不是Python。
它通过提供大量的算法，使得深度学习研究更容易，且有一个强大的N维数组，这有助于切片和索引等操作。除此之外，提供了线性代数程序和神经网络模型。
优点：—非常灵活—高水平的速度和效率—大量的预训练模型可用
缺点：—缺乏即时使用的代码—基于一种不那么流行的语言，Lua
语言：C＃。
优点：—有据可查的框架—有质量可视化
缺点：—比TensorFlow慢
语言：Scala。
Apache的Spark MLlib是一个非常可扩展的机器学习库。它非常适用于Java，Scala，Python甚至R等语言。它非常高效，因为它可以与Python库和R库中的numpy进行互操作。
它还提供了机器学习算法，如分类，回归和聚类。这个强大的库在处理大型数据时非常快速。
优点：—提供支持多种语言—对于大规模数据非常快速
缺点：—即插即用仅适用于Hadoop
语言：Python。
Sci-kit learn是一个机器学习Python库，主要用于构建模型。Sci-kit学习带有监督学习算法，无监督学习算法和交叉验证等功能。
优点：—许多主要算法的可用性很高—能够进行有效的数据挖掘
缺点：—不是创建模型的最佳选择—GPU效率不高
语言：C++。
MLPack是一个用C ++实现的可扩展的机器学习库，它对于内存管理非常好。
MLPack以极高的速度运行，可以支持高质量的机器学习算法与库一起运行，而且还提供了一个简单的API帮助新手使用。