[[215148]]

【51CTO.com快譯】2017年是機器學習大放異彩的一年。現在開發智能模型比以往任何時候都要來得容易，這歸功于眾多公司廣泛而深入地研究和開發更新穎、更高效的工具和框架。雖然像Tensorflow、Keras、PyTorch和另一些框架作為頂級的機器學習和深度學習庫（https://datahub.packtpub.com/deep-learning/top-10-deep-learning-frameworks/）在2017年唱主角，但2018年有望成為更激動人心的一年，因為陣容強大的一批開源工具和企業工具已準備取代目前的老牌工具，或者至少一較高下。

我們在本文中介紹了有望在2018年大行其道的這樣10種工具和框架。

1.亞馬遜Sagemaker

AWS re：Invent 2017上宣布的一款重大產品就是正式發布的亞馬遜Sagemaker，這種新的框架簡化了構建機器學習模型并部署到云端的任務。

這項服務對于并不深入了解機器學習的開發人員來說非常有用，因為它為開發人員提供了一系列預先構建的開發環境，基于流行的Jupyter筆記本格式。如果數據科學家不希望花費大量時間，就可以在AWS上構建有效的機器學習系統，并對性能進行微調，就會發現這項服務大有用處。

相關鏈接：

https://datahub.packtpub.com/machine-learning/amazon-sagemaker-machine-learning-service/

2.DSSTNE

DSSTNE（通常名為Destiny）是亞馬遜提供的另一款產品，這種開源庫被用于開發機器學習模型。它的主要優勢在于可以用來訓練和部署處理稀疏輸入的推薦模型。使用DSSTNE開發的模型經訓練后可以使用多個GPU，具有可擴展性，并針對快速性能進行了優化。

該庫在GitHub上有近4000顆星，它是2018年值得關注的另一款工具！

相關鏈接：https://github.com/amzn/amazon-dsstne

3.Azure機器學習工作臺

早在2014年，微軟就發布了Azure機器學習工具，將機器學習和人工智能功能放到云端。不過這嚴格來說是一種純云服務。在今年9月召開的Ignite 2017大會上，微軟宣布了下一代Azure端機器學習工具，通過Azure機器學習工作臺，為眾多企業組織帶來機器學習功能。

Azure機器學習工具臺是一個跨平臺客戶軟件，它在Windows機器和蘋果機器上都可以運行。它是為想要執行數據操縱和處理任務的數據科學家和機器學習開發人員量身打造的。它為確保可擴展性而構建，用戶可以從一系列廣泛的數據源獲得直觀的洞察力，并用于數據建模任務。

相關鏈接：https://azure.microsoft.com/en-in/services/machine-learning-services/

4.Neon

早在2016年，英特爾宣布斥資3.5億美元收購Nervana，打算成為人工智能市場的大玩家。Nervana是一家人工智能初創公司，一直在為機器學習開發軟硬件。有了Neon，他們現在擁有一個快速、高性能的深度學習框架，專門為了在最近宣布的Nervana神經網絡處理器上運行而設計。

Neon在設計當初力求易于使用，并支持與iPython筆記本集成，它支持常見的深度學習模型，比如CNN、RNN、LSTM及其他模型。該框架顯示出日臻完善的跡象，在GitHub上有3000多顆星。Neon勢必會在未來幾年挑戰幾大深度學習庫。

相關鏈接：https://github.com/NervanaSystems/neon

5.微軟DMLT

企業在機器學習方面面臨的主要挑戰之一是，需要迅速擴展模型，在盡量減少資源使用的同時，又不犧牲性能。微軟的分布式機器學習框架（DMLT）旨在做到這一點。DMLT由微軟開放源代碼，那樣它可以從社區獲得更廣泛的支持。它讓機器學習開發人員和數據科學家拿來單機器算法后可以擴大其規模，進而構建高性能分布式模型。

DMLT主要專注于分布式機器學習算法，讓你可以輕松地執行諸如字嵌入、采樣和梯度提升之類的任務。該框架目前還不支持對深度學習模型進行訓練，不過我們預計這項功能很快就會被添加到該框架中。

相關鏈接：http://www.dmtk.io/

6.谷歌云機器學習引擎

云機器學習引擎被認為是谷歌主要的機器學習產品，它讓你可以比較輕松地針對各種各樣的數據來構建機器學習模型。該平臺充分利用流行的Tensorflow機器學習框架，可用于執行大規模預測分析。它還讓你可以使用流行的HyperTune功能，對機器學習模型的性能進行微調和優化。

由于無服務器架構支持自動監控、配置和擴展，機器學習引擎確保你只需要為想要訓練哪種機器學習模型而操心。這項功能尤其適用于期望外出時可以構建大規模模型的機器學習開發人員。

相關鏈接：https://cloud.google.com/ml-engine/

7.蘋果Core ML

Core ML框架由蘋果開發，旨在幫助iOS開發人員構建更智能的應用程序，它是讓Siri更智能的秘訣。它充分利用CPU的功能和GPU的功能，讓開發人員得以構建不同類型的機器學習和深度學習模型，然后這些模型可以無縫集成到iOS應用程序中。Core ML支持所有常用的機器學習算法，比如決策樹、支持向量機和線性模型等等。

Core ML的功能針對實際環境的諸多使用場合，比如自然語言處理和計算機視覺等，因而外出時可以在蘋果設備上分析數據，無需導入到模型來學習。

相關鏈接：https://developer.apple.com/machine-learning/

8.蘋果Turi Create

在許多情況下，iOS開發人員想要定制希望集成到所開發的應用程序中的機器學習模型。為此，蘋果推出了Turi Create。該庫讓你得以專注于手頭的任務，而不是決定使用哪種算法。那樣就可以在數據集、模型需要運行的規模以及需要將模型部署到哪個平臺方面做到很靈活。

Turi Create用起來很方便，可用于為推薦、圖像處理、文本分類及眾多任務構建自定義模型。你只需要對Python有所了解，即可上手！

相關鏈接：https://github.com/apple/turicreate

9.Convnetjs

深度學習不僅僅出現在超級計算機和機器集群上，現在它還切實出現在你的互聯網瀏覽器上！現在你使用流行的基于Javascript的Convnetjs庫，就可以直接在瀏覽器上訓練先進的機器學習和深度學習模型，不需要CPU或GPU。

該庫最初由特斯拉公司的現任人工智能主管安德烈•卡帕錫（Andrej Karpathy）編寫，此后被開源，在社區的積極貢獻下有所擴展。你可以直接在瀏覽器上輕松訓練深度神經網絡，甚至訓練強化學習模型，這有賴于這個非常獨特而有用的庫提供支持。這個庫適合不想購買專業硬件來訓練計算密集型模型的那些人。Convnetjs在GitHub上有近9000顆星，它儼然是2017年的明星項目之一，迅速成為深度學習方面的首選庫。

相關鏈接：http://cs.stanford.edu/people/karpathy/convnetjs/

10.BigML

BigML是一家知名的機器學習公司，為開發機器學習模型提供了一個易于使用的平臺。使用BigML的REST API，你可以在其平臺上順暢無阻地訓練機器學習模型。它讓你可以執行不同的任務，比如異常檢測和時間序列預測，還可以構建執行實時預測分析的應用程序。

借助BigML，你可以在本地或在云端部署模型，可以靈活地選擇運行機器學習模型所需要的那種環境。BigML恪守承諾，力求“使機器學習對每個人而言都異常簡單”。

由于微軟、亞馬遜和谷歌都競相成為人工智能領域的霸主，2018年可能會是人工智能領域發展迎來突破的一年。除此之外還有旨在為用戶簡化機器學習的各種開源庫，還有一大堆的工具和框架需要密切關注。令人興奮的是，它們都有能力成為下一個TensorFlow，帶來下一場AI顛覆。

相關鏈接：https://bigml.com/

原文標題：10 Machine Learning Tools to watch in 2018，作者：Amey Varangaonkar

【51CTO譯稿，合作站點轉載請注明原文譯者和出處為51CTO.com】