深度学习工具的概述

在人工智能（AI）文艺复兴的中间，文艺复兴地区的行业正常。由于当天技术平台的局限性，这一领域的初始工作缺少其终结状态，而20世纪80年代左右的某个地方。

因此，AI的第一岁是被忽视到它动力通电汽车的电影，人形机器人和选择其他愚蠢的想象的产品。

通过处理到数据存储的硬件的进步，通过硬件的进步促进了AI的当前重新制造; Butalsoby我们现在正在开发复杂的算法结构，该结构能够在这些新的超级驱动底座上运行。

ASIT部门STARTWORKTOSTOWATIONTENTERTERPRISE软件堆栈，它是为了使我们的AI“大脑”如此聪明的突触连接内部发生的内容。

ByknowingMore关于被架构的软件结构，理论上的开发人员扫描，更智能地适用于为明天设计的应用程序的进步。

“工具”中的关键是众多AI开发人员现在将学习是Tensorflow。由Google建造和开放，Tensorflow是一个符号数学库，用于在Python编程语言中构建AI智能。TensoRFlow可以是（例如）用于构建“分类器” - 即可视图像扫描组件，其可以识别40下代码行中的手写数值。

描述了谷歌大脑宣传的Tensorflow工程总监Rajat Monga背后的原则，说：“深度学习是机器学习的分支，大脑本身如何发展。我们专注于让人类更容易使用周围的设备，我们认为制作TensorFlow一个开源工具有助于和速度努力。“

TensoRFlow在谷歌的语音识别系统中大量使用，最新的Google照片产品，并且至关重要地，在核心搜索功能中。它还用于提供Gmail内部的最新AI功能扩展 - 许多用户可能已经注意到Gmail中的越来越多的自动完成选项，称为智能组件的开发。

在该地区开发的工具和图书馆专注于经过频率的方式，作为“感知理解”。这是致专用于让计算机的图像扫描仪在巷道方向上指向的AI模型编码的分支知道它正在查看招牌，而不仅仅是墙上的字母。所以应用的上下文是AI元素的关键。

SCALE也是许多这些类型的AI和机器学习库的关键，因此他们需要能够同时在多个CPU，多个GPU甚至多个操作系统上运行。Tensorflow擅长这一点，并且是这里讨论的大部分代码的共同属性。

“今天最强大的深度学习团队使用了更受欢迎的框架之一 - 我正在谈论技术似然似然突出，克拉斯，Pytorch，Mxnet或Caffe。

“这些框架使软件工程师能够建立和培训他们的算法并在AI AITAIDOC的AI Ataidoc，AI AI Ataidoc主管下，使用AI来检测放射学中的急性病例，”Ai Ataidoc主管探讨了“大脑”。

除了提到的，还有几个类别的工具，使深度学习工程师能够更快，更有效地“执行”工作。示例包括用于在深度学习（例如MissingLink.ai）周围自动执行Devops相关任务的工具，根据TABASSUK的加速算法培训的工具（如优步“Shorovodand Run.AI）。

此空间的Microsoft'swork符合Microsoft认知工具包（以前称为CNTK的艺术家）的形式。该库有助于增强分离计算网络的模块化和维护。

此工具包可用于构建AI随时间累积累积的增强学习（RL）功能。它也可用于开发生成的对抗网络（GANS），一类在无监督机器学习中发现的AI算法。

IBM在这个空间中有一个非常可见的手，沃特森品牌。尽管最近获得了Red Hat的收购，但IBM方法比某些人更加专有，即公司为开发人员提供了使用的代表状态转移应用程序编程接口（REST API）和软件开发套件（SDK）的收集Watson认知计算解决复杂问题。

选择AI和深层学习工具

FacebookIS还为AI和机器学习的大品牌组。所以被视为竞争对手的竞争对手。

Facebook今年也开辟了它的地平线强化学习（RL）产品。根据地平线后面的开发人员团队，“机器学习（ML）系统通常会产生预测，但随后要求工程师将这些预测转换为策略（即采取行动的策略）。另一方面，RL创建制定决策的系统，采取行动，然后根据他们收到的反馈进行调整。“

AI大脑中的神经节点Aloverview将是疏忽，而无需提及许多其他关键库和工具集.Caffe是深度学习的开源框架，可用于构建所谓的卷积神经网络（CNN），通常总是总是用于图像分类。由于对各种不同类型的软件架构的支持，Caffe与一些开发人员一起融洽。

Deeplearning4jis for aidevelopertoolbox的另一个工具。此ISAN开源分布式Deep学习库为Java虚拟机。对于Python开发人员，iscikit，AMOCHINE学习FrameWorked是针对的任务，包括数据挖掘，数据分析和数据可视化。

还有Theano，一个Python库，用于定义和管理数学表达式，这使得开发人员能够执行涉及多维数组的数值操作，以实现大型计算密集型计算。

在现实世界（但仍然是AI世界）中，我们可以在他们的开发人员功能中使用许多不同的工具集，图书馆和代码方法来查看公司来尝试构建他们寻求的机器智能。

根据Adatabricks Cio调查，87％的组织平均投资了七种不同的机器学习工具 - 这当然增加了使用此数据周围存在的组织复杂性。

Databricks尝试通过制作和打开一个名为MLFLIF的项目来解决部分挑战。目标与MLFlowis有助于管理机器学习实验，并将它们放入有效变为生命周期。它还努力使其更容易分享项目设置并将这些模型进行生产。

该公司坚持认为，如果我们希望随着时间的推移更容易采用和发展，我们需要更加标准化的方法来管理一个地方的工具，数据，库和工作流程.MLFlowwas于2018年6月播放。

由于这些工具现在发展，我们目睹了一些共同的主题浮出水面。这些软件功能中的灵活性通常以性能或扩展的能力或能力的成本，或者确实两者。如果工具集紧紧耦合到一种语言或部署格式，则重新展开更大，更广泛，更频繁地重新覆盖它通常更难。

随着时间的推移，似乎没有统一的平台或一些更广泛的社区驱动的迁移到最有效，最强大，最开放，最聪明，最聪明，最“培训”工具集合。

下一步

使用模拟存储器设备加速深神经网络