你應(yīng)該了解的6個開源AI工具
讓我們來看看幾個任何人都能用的自由開源的 AI 工具。
在開源領(lǐng)域，不管你的想法是多少的新穎獨到，先去看一下別人是否已經(jīng)做成了這個概念，總是一個很明智的做法。對于有興趣借助不斷成長的人工智能（AI）的力量的組織和個人來說，許多優(yōu)秀的工具不僅是自由開源的，而且在很多的情況下，它們都已經(jīng)過測試和久經(jīng)考驗的。
在領(lǐng)先的公司和非盈利組織中，AI 的優(yōu)先級都非常高，并且這些公司和組織都開源了很有價值的工具。下面的舉例是任何人都可以使用的自由開源的 AI 工具。
Acumos
Acumos AI 是一個平臺和開源框架，使用它可以很容易地去構(gòu)建、共享和分發(fā) AI 應(yīng)用。它規(guī)范了運行一個“開箱即用的”通用 AI 環(huán)境所需要的基礎(chǔ)設(shè)施棧和組件。這使得數(shù)據(jù)科學(xué)家和模型訓(xùn)練者可以專注于它們的核心競爭力，而不用在無止境的定制、建模，以及訓(xùn)練一個 AI 實現(xiàn)上浪費時間。
Acumos 是 LF 深度學(xué)習(xí)基金會 的一部分，它是 Linux 基金會中的一個組織，它支持在人工智能、機器學(xué)習(xí)、以及深度學(xué)習(xí)方面的開源創(chuàng)新。它的目標是讓這些重大的新技術(shù)可用于開發(fā)者和數(shù)據(jù)科學(xué)家，包括那些在深度學(xué)習(xí)和 AI 上經(jīng)驗有限的人。LF 深度學(xué)習(xí)基金會 最近批準了一個項目生命周期和貢獻流程，并且它現(xiàn)在正接受項目貢獻的建議。
Facebook 的框架
Facebook 開源了 其中心機器學(xué)習(xí)系統(tǒng)，它設(shè)計用于做一些大規(guī)模的人工智能任務(wù)，以及一系列其它的 AI 技術(shù)。這個工具是經(jīng)過他們公司驗證使用的平臺的一部分。Facebook 也開源了一個叫 Caffe2 的深度學(xué)習(xí)和人工智能的框架。
CaffeOnSpark
說到 Caffe。 Yahoo 也在開源許可證下發(fā)布了它自己的關(guān)鍵的 AI 軟件。CaffeOnSpark 工具 是基于深度學(xué)習(xí)的，它是人工智能的一個分支，在幫助機器識別人類語言，或者照片、視頻的內(nèi)容方面非常有用。同樣地，IBM 的機器學(xué)習(xí)程序 SystemML 可以通過 Apache 軟件基金會自由地共享和修改。
Google 的工具
Google 花費了幾年的時間開發(fā)了它自己的 TensorFlow 軟件框架，用于去支持它的 AI 軟件和其它預(yù)測和分析程序。TensorFlow 是你可能都已經(jīng)在使用的一些 Google 工具背后的引擎，包括 Google Photos 和在 Google app 中使用的語言識別。
Google 開源了兩個 AIY 套件，它可以讓個人很容易地使用人工智能，它們專注于計算機視覺和語音助理。這兩個套件將用到的所有組件封裝到一個盒子中。該套件目前在美國的 Target 中有售，并且它是基于開源的樹莓派平臺的 —— 有越來越多的證據(jù)表明，在開源和 AI 交集中將發(fā)生非常多的事情。
H2O.ai
我 以前介紹過 H2O.ai，它在機器學(xué)習(xí)和人工智能領(lǐng)域中占有一席之地，因為它的主要工具是自由開源的。你可以獲取主要的 H2O 平臺和 Sparkling Water，它與 Apache Spark 一起工作，只需要去 下載 它們即可。這些工具遵循 Apache 2.0 許可證，它是一個非常靈活的開源許可證，你甚至可以在 Amazon Web 服務(wù)（AWS）和其它的集群上運行它們，而這僅需要幾百美元而已。
Microsoft 入局
“我們的目標是讓 AI 大眾化，讓每個人和組織獲得更大的成就，“ Microsoft CEO 薩提亞·納德拉 說。因此，微軟持續(xù)迭代它的 Microsoft Cognitive Toolkit（CNTK）。它是一個能夠與 TensorFlow 和 Caffe 去競爭的一個開源軟件框架。Cognitive Toolkit 可以工作在 64 位的 Windows 和 Linux 平臺上。
Cognitive Toolkit 團隊的報告稱，“Cognitive Toolkit 通過允許用戶去創(chuàng)建、訓(xùn)練，以及評估他們自己的神經(jīng)網(wǎng)絡(luò)，以使企業(yè)級的、生產(chǎn)系統(tǒng)級的 AI 成為可能，這些神經(jīng)網(wǎng)絡(luò)可能跨多個 GPU 以及多個機器在大量的數(shù)據(jù)集中高效伸縮。”
