7 лучших фреймворков для машинного обучения

На сайте technostacks.com опубликовали список лучших фреймворков для машинного обучения. Вот они:

TensorFlow

TensorFlow занимает первое место в списке. Большинство разработчиков используют этот фреймворк из-за отличного сообщества поддержки, множества встроенных функций и легко адаптируемой структуры.

Самый наглядный пример использования TensorFlow — Google Translate со своими возможностями общей обработки диалектов, упорядочиванием, кратким изложением контента, прогнозированием и маркировкой. 

Фреймворк основан на Python, поддерживается Google и поставляется с точной документацией и пошаговыми инструкциями.

Caffe 

Это система глубокого обучения, усиленная C, C++, Python и MATLAB. Выделяется среди других фреймворков своей скорость и мобильностью, а также уместностью при отображении сверточных нейронных систем (CNN). Использование библиотеки C++ обеспечивает доступ к системам глубокого сетевого архива Caffe Model Zoo.

Фреймворк может обрабатывать более 60 млн изображений каждый день с помощью одного графического процессора Nvidia K40. 

Microsoft Cognitive Toolkit (ранее — CNTK) 

Набор инструментов с открытым исходным кодом для распределенного глубокого обучения. Фреймворк описывает нейронные сети как серию вычислительных шагов через ориентированный граф. Дает пользователю возможность легко реализовать и комбинировать популярные типы моделей, такие как DNN с прямой связью, сверточные нейронные сети и рекуррентные нейронные сети (RNN / LSTM). 

MCT реализует обучение методом стохастического градиентного спуска (SGD, обратное распространение ошибок) с автоматическим дифференцированием и распараллеливанием между несколькими графическими процессорами и серверами.

Torch 

Это логическая структура, которая предлагает широкое возможности для вычисления машинного обучения на основе скриптового языка программирования Lua.

Краткое описание основных функций:

• мощный N-мерный массив;
• множество процедур для индексации, нарезки и транспонирования;
• интерфейс для С через LuaJIT;
• процедуры линейной алгебры;
• быстрая и эффективная поддержка графического процессора.

В основе фреймворка лежат популярные нейронные сети и библиотеки оптимизации, которые просты в использовании и обладают максимальной гибкостью при реализации сложных топологий нейронных сетей. 

5. MXNet

Представляет собой систему глубокого обучения. Поддерживает Python, R, C++ и Julia. Фреймворк позволяет клиенту кодировать на различных диалектах программирования. Бэкенд написан на C++ и CUDA (программно-аппаратная архитектура параллельных вычислений), поэтому MXNet может масштабироваться и работать с множеством графических процессоров. 

Фреймворк был использован Amazon в качестве справочной библиотеки для углубленного изучения. 

6. Chainer 

Основанная на Python структура для глубокого обучения нейронных систем. В отличие от других структур, дает возможность изменять системы во время выполнения, что позволяет выполнять произвольные сочленения потоков управления. 

Фреймворк поддерживает вычисления CUDA. Для использования графического процессора требует всего несколько строк кода. Без особых усилий работает на нескольких графических процессорах. Система поддерживает пакетные и различные сетевые архитектуры, включая сети прямого распространения, свертки, рекуррентные и рекурсивные сети.

7. Keras 

Фреймворк машинного обучения с открытым исходным кодом, основанный на TensorFlow. Его можно масштабировать до больших кластеров графических процессоров или целого модуля таймерного процессора TPU. 

Keras обладает низкоуровневой гибкостью для реализации произвольных исследовательских идей, предлагая дополнительные высокоуровневые функции для ускорения циклов экспериментов.