機器學習的爆炸性增長推動了許多開源工具的發展，使得開發人員更容易學習其技術。接下來，我們來看看開發者最喜歡的Java和Python機器學習框架都有哪些？

　　據技術專家介紹，未來人工智能和機器學習的前景是光明的。所以，如果開發者想學習一門理想的技能，機器學習是很棒的選擇。本文了解了頂級的機器學習庫和開源項目，給出了以下五大優秀框架。（排名不分先后）

　　Apache Singa

　　Apache Singa由新加坡國立大學的團隊開發，是一個靈活可擴展的利用大數據分析的深度學習平臺。這個深度學習框架為大量數據的可擴展分布式培訓提供了靈活架構。Singa可擴展以運行各種硬件，主要應用在圖像識別和自然語言處理（NLP）方面。

　　Singa目前是一個Apache孵化器項目，提供了簡單的編程模型，可以在一個節點集群上工作。分布式深度學習在訓練過程中使用模型劃分和并行化，一般而言，Singa支持傳統的機器學習模型，如邏輯回歸。

　　Singa是用Java，C ++和Python編寫的，可以在AWS上或通過Docker嘗試使用。

　　Apache Mahout

　　Apache的另一個開源產品Apache Mahout是一個分布式線性代數框架，用于創建可擴展的高性能機器學習應用程序，旨在讓數學家，統計學家和數據科學家快速實現算法，Mahout主要關注協同過濾，聚類和分類。

　　Apache Mahout使程序員能夠在大數據平臺執行的交互式環境中實現數學運算，然后將完全相同的代碼移至應用程序并進行部署。Mahout Samsara提供了一個分布式線性代數和統計引擎，該引擎不僅性能良好，還可與交互式shell（現在位于Apache Zeppelin中）一起分發，可在生產環境中鏈接到應用程序的庫。Mahout通常搭載Apache Hadoop平臺使用map / reduce范例，但這不會限制對基于Hadoop實現的貢獻。

　　最后，Apache Mahout是用Java和Scala編寫的。

　　Microsoft Cognitive Toolkit （CNTK）

　　微軟的認知工具包是一個開源的深度學習工具包，用于訓練機器像人腦一樣學習算法。CNTK使得用戶可以很容易地使用流行的機器學習模型，如feed-forwards DNN，卷積神經網絡和遞歸神經網絡。

　　這個工具毫無疑問是使用神經網絡處理非結構化數據的大數據集。憑借更短的培訓時間和易于使用的架構，CNTK具有高度可定制性，允許程序員選擇自己的參數，算法和網絡。由于其支持“多機多GPU”，CNTK很容易勝過其競爭對手。如果有興趣，微軟甚至會提供一個介紹視頻。

　　最后，Microsoft CNTK是用Python和C ++編寫的。

　　Caffe

　　由伯克利人工智能研究團隊開發的Caffe是一個由表達式，速度和模塊化組成的深度學習框架。富有表現力的架構鼓勵應用和定制創新，配置選項允許用戶通過設置一個標志在CPU和GPU之間切換。Caffe的可擴展代碼已經幫助推動了它的早期發展，使其成為一個被高度評價的GitHub機器學習項目。

　　Caffe的速度使其對研究機構和行業部署都非常有價值，它是通過卷積神經網絡（CNN）來開發用于計算機視覺/圖像分類的。Caffe提供一組預先訓練的模型，不需要任何編碼來實現。然而，Caffe最適合于構建應用，并且不是計算機視覺以外的任何其他應用。

　　最后，Caffe是用C++編寫的有Python接口的機器學習框架。

　　TensorFlow

　　最后一個是我們最喜歡的機器學習框架，被稱作無與倫比的TensorFlow框架。 TensorFlow是一個使用數據流圖進行數值計算的開源軟件庫，是GitHub上最受歡迎的機器學習項目，也是參與者和貢獻者最多的機器學習項目。

　　無論是臺式機，服務器還是手機，TensorFlow靈活的架構都可以使用戶輕松使用單一API將計算部署到一個或多個CPU或GPU。

　　TensorFlow主要是用Python編寫的，但它也支持Java和Go的一些用法。

　　結論

　　在2018年，Python的持續增長肯定與過去幾年機器學習的爆炸式增長有關。一些世界上最受歡迎的ML框架和庫是由Python編寫或主要由Python支持的，包括TensorFlow，Keras，Theano以及sci-kit learn，Chainer，H20，Microsoft Azure Studio，Veles和Neon等小型項目。Python不支持，C ++也支持，比如微軟的CNTK和Caffe。

　　所以，如果你有興趣學習一些ML技能，或者抓住最新的技術浪潮，那么可能是時候把舊的Python或C ++教科書甩開，開始實踐了。