本文提供了当今开发人员使用的最流行的深度学习软件工具列表。我们将展示人们在 2021 年使用哪些软件进行深度学习。

什么是深度学习？

深度学习是当今非常流行的机器学习方法，因此是 AI（人工智能）的一个重要子领域。深度学习使用机器学习技术通过利用模拟人类决策的神经网络（即所谓的深度卷积神经网络 (CNN)）来解决现实世界的问题。因此，深度学习训练机器做人脑自然做的事情。

深度学习的最大特点是其分层结构，它是人工神经网络的基础并形成深度神经网络。每一层都在增加前一层的知识。

深度学习任务可能很昂贵，这取决于重要的计算资源，并且AI 模型需要大量数据集来训练自己。对于深度学习，学习算法需要理解大量参数，这最初会产生许多误报。

最受欢迎的深度学习软件

• 工具#1：神经设计师

• 工具#2：DeepLearningKit

• 工具#3：H20.ai

• 工具#4：微软认知工具包

• 工具#5：Torch

• 工具#6：Keras

• 工具#7：ConvNetJS

• 工具 #8：Deeplearning4j

• 工具#9：Gensim

• 工具#10：CAFFE

1. 神经设计师

Neural Designer是最流行的深度学习软件之一，广泛用于构建预测模型。该软件允许开发人员基于神经网络构建 AI 模型，以根据输入数据识别模式、进行预测和识别关系。

该软件与最常见的数据文件类型兼容，并具有各种技术工具来解决与数据相关的问题。

它的流行归功于其图形用户界面，允许用户快速、轻松、高效地构建预测模型或进行复杂的操作。DL 软件可用于解决近似、分类、预测和关联问题。

Neural Designer 广泛用于多个行业，包括银行、保险、医疗保健、工程等。

2. 深度学习套件

DeepLearningKit是 Apple 用于其产品（包括 iOS、OS X、tvOS 等）的开源深度学习软件。该深度学习框架支持该品牌所有配备 GPU 的设备上的预训练深度学习模型。

DeepLearningKit 软件是用 Metal 开发的，以更有效地利用 GPU，并用 Swift 开发以与应用程序集成。它支持将深度卷积神经网络用于不同的任务，包括图像识别。

目前，它是在 Caffe 深度学习框架上训练的，但很快就会支持其他框架，如 Torch 和 TensorFlow。

3.H2O.ai

H2O.ai是一个免费的开源机器学习平台，允许开发人员轻松构建世界一流的 AI 模型和软件应用程序。该软件平台支持所有类型的常用机器学习和统计算法，包括深度学习模型。

它是使用 Java 从头开始构建的，可以与其他流行的开源产品（如 Apache Hadoop 和 Spark）无缝集成，以获得更大的灵活性。此外，深度学习软件平台具有用户友好、方便的界面，任何人都可以轻松应用深度学习工具解决复杂的问题。

用户可以使用无需编码的交互式 H2O Flow 界面构建模型，也可以选择使用他们喜欢的编程语言，如 R、Python 等。要阅读有关用于深度学习的低代码或无代码平台的更多信息，我们建议您查看出低码和无码平台的人工智能和计算机视觉。

4. 微软认知工具包

在微软认知工具包是由微软研究院开发的深度学习软件。免费的商业级工具包用于训练深度学习模型，以类似于人脑的方式进行学习。

以前称为 CNTK，它通过有向图将神经网络表示为一系列计算步骤。该软件工具包允许轻松实现和组合流行的模型类型，例如前馈 DNN、卷积神经网络 (CNN) 和循环神经网络 (RNN)。

此外，即使在处理大量数据集时，它也能提供高可扩展性、速度和准确性。此外，它兼容多种编程语言和算法。

CNTK 是首批支持开放神经网络交换 ONNX格式的深度学习工具包之一，这是一种用于框架互操作性和共享优化的开源共享模型表示。ONNX 由 Microsoft 和许多其他公司共同开发，允许开发人员在 CNTK、Caffe2、MXNet 和PyTorch等框架之间移动深度学习模型。

5. Torch

Torch是最高效的开源深度学习软件之一。该计算框架支持所有将 GPU 放在首位的机器学习算法。此外，名为 LuaJIT 的快速且易于理解的脚本语言和底层 C/CUDA 实现确保它为其用户提供简单高效的界面。

该软件旨在为用户构建科学算法提供最大的灵活性和速度，包括机器学习、信号处理、计算机视觉等领域的社区驱动包的庞大生态系统。

该软件的一些核心功能包括强大的 N 维数组、快速高效的 GPU 支持以及用于切片、索引、数值优化等的众多例程。它还可以嵌入到 Android 和 iOS 中。

6. 凯拉斯

Keras是一种基于 Python 的深度学习软件工具，因其简单性和灵活性而广受欢迎。这个开源库用作机器学习平台 TensorFlow 和 Theano 的接口。使用 Keras 进行深度学习的主要优势在于其卓越的速度——它允许您仅使用几行代码来开发和训练神经网络模型。

Keras 定义模型所需的代码通常比深度学习框架的原生 API 所需的代码少 50%。这是在 Keras 中对 MNIST 数据进行训练的 LeNet-5 示例——仅 70 行代码。

Keras 是最适合初学者的深度学习软件之一，因为它使运行新实验变得更容易、更快。用户友好且易于使用的界面使其成为有兴趣使用 Python 获取深度学习知识的学生最受欢迎的选择之一。

Keras 为卷积网络和循环网络以及这两种类型的组合提供支持。

7.ConvNetJS

ConvNetJS允许用户直接从浏览器窗口使用 Javascript 训练基于神经网络的深度学习模型。这是一个轻松的选项，不需要任何安装、编译器、GPU 或特定的软件要求。

最初由博士创建。斯坦福大学的学生安德烈·卡帕蒂 (Andrej Karpathy)，现任特斯拉人工智能总监。ConvNetJS 软件库通过社区贡献逐渐扩展。它支持标准的神经网络模块，并帮助指定和训练卷积网络来处理图像。

8. 深度学习4j

Deeplearning4j是第一个用 Java 创建的商业级开源深度学习软件库。它与所有 JVM 语言兼容，包括 Scala、Clojure 和 Kotlin。该软件旨在将 AI 引入商业环境，以便在分布式 GPU 和 CPU 上使用。

该软件利用流行的计算框架（如 Apache Spark 和 Hadoop）来加速训练。它可用于轻松创建多层深度神经网络。此外，它还为用户提供了根据需要灵活组合变分自动编码器、序列到序列自动编码器、卷积网络和循环网络的灵活性。

9. Gensim

Gensim是一个免费使用的开源库，用 Python 编写。它对于使用机器学习的无监督主题建模和自然语言处理非常有用。该软件不同于其他机器或深度学习软件，因为它不针对内存处理。相反，它旨在从文档中提取语义主题。

Gensim 的核心功能之一是它能够处理大量文本数据。深度学习python软件比其他可用的软件包如Scikit-learn等更方便文本处理。它在医学、保险等不同领域都有应用。

10. Caffe

Caffe（卷积神经网络框架）是建立与铭记的表达，速度，和模块化。它是一个开源框架，最初由加州大学伯克利分校的伯克利人工智能研究中心 (BAIR) 开发。该软件目前是在 BSD 2-Clause 许可下发布的。

该软件采用 C++ 编程语言编写，支持多种深度学习架构，尤其是与图像分割和分类相关的架构。它可以在一天内使用单个 NVIDIA AI GPU K40 处理近 6000 万张图像。高速和图像处理能力使其成为工业实施和研究目的的合适选择。此外，它还可以用于训练不同类型的神经网络。

尽管大多数深度学习框架都支持多 GPU，包括 TensorFlow、MXNet、CNTK、Theano、PyTorch 和 Caffe2，但目前在使用现有 Keras 后端（Theano 或 TensorFlow）的 Keras 中并未正式支持使用多个 GPU。

点击阅读原文可查看各个软件的链接。