目前，機器學習是軟件開發(fā)中最熱門的趨勢之一。許多分析師甚至認為，機器學習將徹底改變幾個程序的Web開發(fā)過程，包括Web和移動應用程序。

　　以下幾點清楚地表明了機器學習對Web開發(fā)的強大影響：

　　傳統(tǒng)數(shù)據(jù)挖掘的良好替代品

　　消除安全威脅

　　機器學習API的庫存

　　加速產(chǎn)品發(fā)現(xiàn)

　　制作定制的內(nèi)容和信息

　　了解客戶行為

　　機器學習使用一些算法使計算機無需明確編程即可學習。它是最好的數(shù)據(jù)分析方法，可自動創(chuàng)建分析模型。這就是機器學習框架在Web開發(fā)中發(fā)揮重要作用的原因。

　　在本文中，我們將討論一些用于Web開發(fā)的主要機器學習框架。清單如下：

　　五大機器學習框架

　　1、Microsoft Cognitive Toolkit

　　用：Python和C ++編寫

　　這是Microsoft開源的深度學習工具包，用于訓練算法以像人腦一樣學習。通過使用此工具，您可以使用各種機器學習模型，如卷積神經(jīng)網(wǎng)絡(luò)、前饋DNN和循環(huán)神經(jīng)網(wǎng)絡(luò)。

　　毫無疑問，該工具旨在使用神經(jīng)網(wǎng)絡(luò)來瀏覽大型非結(jié)構(gòu)化數(shù)據(jù)集。通過更快的訓練時間和易于使用的架構(gòu)，它可高度自定義，允許您選擇自己的參數(shù)、網(wǎng)絡(luò)和算法。特別感謝它對多機多GPU后端的支持，它可以輕松超越許多競爭對手。

　　2、TensorFlow

　　用：Python、Java和Go編寫

　　它是Java開發(fā)中最流行的機器學習框架之一。它是一個開源庫，使用數(shù)據(jù)流圖進行數(shù)值計算。毫無疑問，TensorFlow是GitHub上分岔最多的機器學習項目，也是納稅人參與人數(shù)最多的項目。

　　TensorFlow的靈活架構(gòu)使用戶可以輕松地使用單個API在一個或多個GPU或CPU上實現(xiàn)計算，無論是臺式計算機、服務器還是移動電話。

　　圖中的節(jié)點表示數(shù)學運算，而圖的邊表示在它們之間傳遞的多維數(shù)據(jù)集(張量)。

　　3、Apache Mahout

　　用：Java和Scala編寫

　　它是Apache提供的另一個最受歡迎的開源產(chǎn)品，主要面向統(tǒng)計學家、數(shù)據(jù)科學家和數(shù)學家，因此他們可以快速執(zhí)行自己的算法。此外，它是一個分布式線性代數(shù)框架，用于創(chuàng)建具有可擴展性能的機器學習應用程序。 Mahout主要關(guān)注協(xié)作分組、過濾和分類。

　　此外，它使您能夠在實際在大數(shù)據(jù)平臺上運行的交互式環(huán)境中開發(fā)自己的數(shù)學計算，然后將完全相同的代碼移動到您的應用程序中并實現(xiàn)。

　　Mahout Samsara還提供分布式線性代數(shù)和統(tǒng)計引擎，它們正在運行，并與交互式shell和庫一起分發(fā)，以鏈接到生產(chǎn)中的應用程序。它通常使用map / reduce范例爬上Apache Hadoop平臺，但這并不限制對基于Hadoop的其他實現(xiàn)的貢獻。

　　4、Caffe

　　用：C ++和Python編寫

　　它是Java開發(fā)的深度學習框架，尤其適用于速度、表達式和模塊化。它由Berkley AI研究團隊開發(fā)。富有表現(xiàn)力的架構(gòu)鼓勵個性化應用和創(chuàng)新。

　　此外，配置選項允許用戶通過配置單個指示器在GPU和CPU之間切換。Caffe的可擴展代碼幫助推動了它的早期發(fā)展，使其成為另一個非常成功的GitHub機器學習項目。

　　Caffe的速度使其對研究機構(gòu)和工業(yè)實施具有價值。它是利用卷積神經(jīng)網(wǎng)絡(luò)為圖像分類/計算機視覺開發(fā)的。它還提供了Model Zoo，它是一組預先訓練的模型，不需要任何編碼即可實現(xiàn)。

　　無論如何，應該指出的是，Caffe最適合用于應用程序的構(gòu)建，而不是專門用于除人工視覺之外的任何其他應用。

　　5、Apache Singa

　　用：C ++，Python和Java編寫

　　Apache Singa是一個可擴展且靈活的深度學習平臺，用于大數(shù)據(jù)分析。它由新加坡國立大學的團隊開發(fā)。該機器學習框架為大量數(shù)據(jù)中的可擴展分布式訓練提供了靈活的架構(gòu)。

　　可擴展以在各種硬件上運行。主要應用是自然語言處理(NLP)和圖像識別。

　　目前，Apache孵化器項目提供了一種可以在一組節(jié)點中工作的簡單編程模型。深度分布式學習在訓練過程中使用模型共享和并行化。

　　但是，Singa支持傳統(tǒng)的機器學習模型，如邏輯回歸。

　　總而言之

　　所以我們已經(jīng)看到了一些用于Java開發(fā)的頂級機器學習框架。實際上，使用機器學習進行Web開發(fā)將使IT世界發(fā)生革命性變化。但是，各種流行的機器學習框架和庫都是由Python編寫或主要支持的，包括Keras、Theano、TensorFlow和較小的項目，如Microsoft Azure Studio、sci-kit learn、Veles、Chainer和Neon。

　　如果您想要使用其中一個機器學習框架開發(fā)下一個項目，那么現(xiàn)在是時候開始了。