十三個框架助你掌握機器學習
Apache Spark MLlib
Apache Spark 最為人所知的是它是Hadoop家族的一員，但是這個內存數據處理框架卻是脫胎于Hadoop之外，也正在Hadoop生態系統以外為自己獲得了名聲。Hadoop 已經成為可供使用的機器學習工具，這得益于其不斷增長的算法庫，這些算法可以高速度應用于內存中的數據。。
早期版本的Spark 增強了對MLib的支持，MLib是主要面向數學和統計用戶的平臺，它允許 通過持久化管道特性將Spark機器學習工作掛起和恢復。2016年發布的Spark2.0，對Tungsten高速內存管理系統和新的DataFrames流媒體API 進行了改進，這兩點都會提升機器學習應用的性能。
H2O
H2O，現在已經發展到第三版，可以提供通過普通開發環境（Python， Java， Scala， R）、大數據系統（Hadoop， Spark）以及數據源（HDFS， S3， SQL， NoSQL）訪問機器學習算法的途徑。H2O是用于數據收集、模型構建以及服務預測的端對端解決方案。例如，可以將模型導出為Java代碼，這樣就可以在很多平臺和環境中進行預測。
H2O可以作為原生Python庫，或者是通過Jupyter Notebook， 或者是 R Studio中的R 語言來工作。這個平臺也包含一個開源的、基于web的、在H2O中稱為Flow的環境，它支持在訓練過程中與數據集進行交互，而不只是在訓練前或者訓練后。
Apache Singa
“深度學習”框架增強了重任務類型機器學習的功能，如自然語言處理和圖像識別。Singa是一個Apache的孵化器項目，也是一個開源框架，作用是使在大規模數據集上訓練深度學習模型變得更簡單。
Singa提供了一個簡單的編程模型，用于在機器群集上訓練深度學習網絡，它支持很多普通類型的訓練工作：卷積神經網絡，受限玻爾茲曼機 以及循環神經網絡。 模型可以同步訓練（一個接一個）或者也異步（一起）訓練，也可以允許在在CPU和GPU群集上，很快也會支持FPGA。Singa也通過Apache Zookeeper簡化了群集的設置。
Caffe2
深度學習框架Caffe開發時秉承的理念是“表達、速度和模塊化”，最初是源于2013年的機器視覺項目，此后，Caffe還得到擴展吸收了其他的應用，如語音和多媒體。
因為速度放在優先位置 ，所以Caffe完全用C+ +實現，并且支持CUDA加速，而且根據需要可以在CPU和GPU處理間進行切換。分發內容包括免費的用于普通分類任務的開源參考模型，以及其他由Caffe用戶社區創造和分享的模型。
一個新的由Facebook 支持的Caffe迭代版本稱為Caffe2，現在正在開發過程中，即將進行1.0發布。其目標是為了簡化分布式訓練和移動部署，提供對于諸如FPGA等新類型硬件的支持，并且利用先進的如16位浮點數訓練的特性。
Google的TensorFlow
與微軟的DMTK很類似，Google TensorFlow是一個機器學習框架，旨在跨多個節點進行擴展。 就像Google的 Kubernetes一樣，它是是為了解決google內部的問題而設計的，google最終還是把它作為開源產品發布出來。
TensorFlow實現了所謂的數據流圖，其中的批量數據（“tensors”）可以通過圖描述的一系列算法進行處理。系統中數據的移動稱為“流”-其名也因此得來。這些圖可以通過C++或者Python實現并且可以在CPU和GPU上進行處理。
TensorFlow近來的升級提高了與Python的兼容性，改進了GPU操作，也為TensorFlow能夠運行在更多種類的硬件上打開了方便之門，并且擴展了內置的分類和回歸工具庫。
非常好我支持^.^
(0) 0%
不好我反對
(0) 0%