本文講述了機器學習對Web應用和移動應用在內的軟件開發(fā)過程產生的重大影響

 

 

目前，機器學習是軟件開發(fā)中最熱門的領域之一。甚至許多專家分析，認為機器學習將會徹底改變包括Web應用和移動應用在內的軟件開發(fā)過程。

以下所列的幾個方面可以清楚地說明機器學習對Web開發(fā)的重大影響:

· 可以很好的替代傳統(tǒng)數(shù)據挖掘

· 可以避免安全威脅

· 豐富的機器學習API庫

· 加速產品發(fā)展

· 生產定制的內容和信息

· 了解用戶行為

 

 

機器學習通過一些算法可以在沒有顯式編程的情況下，讓計算機進行自行學習。并且可以找到最優(yōu)的數(shù)據分析方法，自動建立分析模型。這就是為什么機器學習框架在Web開發(fā)中起著重要作用的原因。

在本文中，我們將討論一些主要用于Web開發(fā)的機器學習框架。下面會一一進行說明。

5大機器學習框架：

1) Microsoft Cognitive Toolkit

 

 

開發(fā)語言:Python和C++

這是一個開源的深度學習工具包，是微軟公司專門用來訓練算法的，以便讓機器像人腦一樣學習。通過這個工具，你可以使用各種機器學習模型，如卷積神經網絡、前饋DNN和遞歸神經網絡。

毫無疑問，這個工具主要使用神經網絡來檢查大型非結構化數(shù)據集，給開發(fā)者提供現(xiàn)成的神經網絡代碼。它有更短的訓練時間和易于使用的體系結構，并且是高度可定制化的，允許選擇參數(shù)、網絡和算法。并且，它支持多機多GPU的后端集群模式。

2)TensorFlow

 

 

開發(fā)語言:Python、Java和Go

TensorFlow是在Java開發(fā)中最流行的機器學習框架之一。它是一個開源的庫，使用了數(shù)據流圖進行數(shù)值計算，將復雜的數(shù)據結構傳輸至神經網絡中進行分析和處理。毫無疑問，TensorFlow是在GitHub上分支最多的機器學習項目，并且也是投資人參與最多的項目。

TensorFlow具有靈活的體系結構，讓用戶能夠很容易地利用單一的API庫在一個或多個GPU或CPU上實現(xiàn)分布式計算，而不管是在臺式計算機、服務器還是移動電話上。

上圖中的節(jié)點代表了數(shù)值運算，而圖的邊緣則表示它們之間通信的多維數(shù)據集(張量)。TensorFlow為張量從數(shù)據流圖的一端流動到另一端的過程進行計算。

3)Apache Mahout

 

 

開發(fā)語言:Java和 Scala

這是Apache提供的另一個最流行的源碼開放資源庫，主要是為統(tǒng)計學專家、數(shù)據專家和數(shù)學專家而設計的，為了讓他們能夠更快速、更高效地執(zhí)行算法操作。另外，它是一種分布式線性代數(shù)框架，用于創(chuàng)建具有可擴展性能的機器學習應用。Mahout主要被用于協(xié)作分組、過濾和分類幾個方面。

此外，它還使你能夠在實際運行在大數(shù)據平臺上的交互式環(huán)境中開發(fā)自己的數(shù)學計算模型，然后可以將相同的程序代碼移植到其它應用程序中進行復用。

Mahout Samsara還提供了分布式線性代數(shù)以及正在運行的統(tǒng)計引擎，并與交互式Shell和庫一起進行分發(fā)，以連接到在生產中的應用。利用Apache Hadoop 庫，它可以應用map/reduce模式到Apache Hadoop平臺，但這并不會對Hadoop上其它那些實現(xiàn)產生影響。

4)Caffe

 

 

開發(fā)語言:C++和Python

Caffe是一個基于Java語言的關于深度學習的框架，特別是針對運行速度、表示能力和模塊化幾個方面。它是由伯克利大學人工智能研究小組開發(fā)的，極具表現(xiàn)力的體系結構更加支持個性化的應用和創(chuàng)新。

另外，Caffe提供的配置選項允許用戶通過配置單個指示器在GPU和CPU之間進行無縫切換。它提供的可擴展代碼促進了早期的發(fā)展，使其成為另一個非常成功的GitHub機器學習項目。

Caffe的速度對研究機構和工業(yè)級應用方面做出了很大的貢獻。它是利用了卷積神經網絡來實現(xiàn)圖像分類/計算機視覺的。它還提供了Model Zoo，這是一組預訓練的模型，并且不需要任何編碼來實現(xiàn)。

應該指出的是，Caffe最適用于應用系統(tǒng)的構造，并且主要應用于計算機視覺領域。

5)Apache Singa

 

 

開發(fā)語言:C++、Python和Java.

Apache Siga是一個可擴展的、靈活的、用來簡化在大數(shù)據上訓練深度學習模型的開源框架。它是由新加坡國立大學的團隊開發(fā)的，主要應用于大數(shù)據分析領域。該框架為海量數(shù)據可擴展的分布式訓練提供了一種靈活的體系結構。

Apache Siga在各種各樣的硬件上運行都具有可擴展性。它主要應用在自然語言處理(NLP)和圖像識別領域。

目前，Apache孵化器項目提供了一種可以在一組節(jié)點中工作的簡單開發(fā)模型。深度分布式學習在訓練過程中使用了模型共享和并行化方式，模型既可以串行訓練，也可以選擇并行訓練。Singa也使用Apache Zookeeper簡化了集群的搭建。

不管怎樣，Apache Siga也支持傳統(tǒng)的機器學習模型，如邏輯回歸等等。

結論

我們已經介紹了一些用于Java開發(fā)的最好的機器學習框架。事實上，應用了機器學習的Web開發(fā)將會使IT世界進行一場革命。然而，目前各種流行的機器學習框架和庫不是用Python語言編寫的，就是由Python支持的，主要包括Keras、Theano、TensorFlow和一些較小的項目，比如Microsoft Azure Studio、sci-kit learn、Veles、Chainer和Neon等等。

譯者：奧特曼

文章原標題《Top 5 Machine Learning Frameworks For Web Development》

標簽： 安全 大數(shù)據 大數(shù)據分析 大數(shù)據平臺 代碼 服務器 開發(fā)者 數(shù)據分析 通信 網絡

版權申明：本站文章部分自網絡，如有侵權，請聯(lián)系：west999com@outlook.com
特別注意：本站所有轉載文章言論不代表本站觀點！
本站所提供的圖片等素材，版權歸原作者所有，如需使用，請與原作者聯(lián)系。