機器學習的爆炸性增長推動了許多開源工具的發展， 使得開發人員更容易學習其技術。 接下來， 我們來看看開發者最喜歡的Java和Python機器學習框架都有哪些？
據技術專家介紹， 未來人工智慧和機器學習的前景是光明的。 所以， 如果開發者想學習一門理想的技能， 機器學習是很棒的選擇。 本文瞭解了頂級的機器學習庫和開源項目， 給出了以下五大優秀框架。 （排名不分先後）
Apache Singa
Apache Singa由新加坡國立大學的團隊開發， 是一個靈活可擴展的利用大資料分析的深度學習平臺。 這個深度學習框架為大量資料的可擴展分散式培訓提供了靈活架構。 Singa可擴展以運行各種硬體， 主要應用在圖像識別和自然語言處理（NLP）方面。
Singa目前是一個Apache孵化器項目， 提供了簡單的程式設計模型， 可以在一個節點集群上工作。 分散式深度學習在訓練過程中使用模型劃分和並行化， 一般而言，
Singa是用Java， C ++和Python編寫的， 可以在AWS上或通過Docker嘗試使用。
Apache Mahout
Apache的另一個開源產品Apache Mahout是一個分散式線性代數框架， 用於創建可擴展的高性能機器學習應用程式， 旨在讓數學家， 統計學家和資料科學家快速實現演算法， Mahout主要關注協同過濾， 聚類和分類。
Apache Mahout使程式師能夠在大資料平臺執行的互動式環境中實現數學運算， 然後將完全相同的代碼移至應用程式並進行部署。 Mahout Samsara提供了一個分散式線性代數和統計引擎， 該引擎不僅性能良好， 還可與互動式shell（現在位於Apache Zeppelin中）一起分發， 可在生產環境中連結到應用程式的庫。 Mahout通常搭載Apache Hadoop平臺使用map / reduce範例， 但這不會限制對基於Hadoop實現的貢獻。
最後， Apache Mahout是用Java和Scala編寫的。
Microsoft Cognitive Toolkit (CNTK)
微軟的認知工具包是一個開源的深度學習工具包，
這個工具毫無疑問是使用神經網路處理非結構化資料的大資料集。 憑藉更短的培訓時間和易於使用的架構， CNTK具有高度可定制性， 允許程式師選擇自己的參數， 演算法和網路。 由於其支持“多機多GPU”， CNTK很容易勝過其競爭對手。 如果有興趣， 微軟甚至會提供一個介紹視頻。
最後， Microsoft CNTK是用Python和C ++編寫的。
Caffe
由伯克利人工智慧研究團隊開發的Caffe是一個由運算式， 速度和模組化組成的深度學習框架。 富有表現力的架構鼓勵應用和定制創新， 配置選項允許使用者通過設置一個標誌在CPU和GPU之間切換。
Caffe的速度使其對研究機構和行業部署都非常有價值， 它是通過卷積神經網路（CNN）來開發用於電腦視覺/圖像分類的。 Caffe提供一組預先訓練的模型， 不需要任何編碼來實現。 然而， Caffe最適合於構建應用， 並且不是電腦視覺以外的任何其他應用。
最後， Caffe是用C++編寫的有Python介面的機器學習框架。
TensorFlow
最後一個是我們最喜歡的機器學習框架， 被稱作無與倫比的TensorFlow框架。 TensorFlow是一個使用資料流程圖進行數值計算的開源軟體庫， 是GitHub上最受歡迎的機器學習項目， 也是參與者和貢獻者最多的機器學習項目。
無論是桌上型電腦， 伺服器還是手機， TensorFlow靈活的架構都可以使用戶輕鬆使用單一API將計算部署到一個或多個CPU或GPU。
TensorFlow主要是用Python編寫的， 但它也支持Java和Go的一些用法。
結論
在2018年， Python的持續增長肯定與過去幾年機器學習的爆炸式增長有關。 一些世界上最受歡迎的ML框架和庫是由Python編寫或主要由Python支持的， 包括TensorFlow，Keras，Theano以及sci-kit learn，Chainer，H20，Microsoft Azure Studio，Veles和Neon等小型項目。Python不支持，C ++也支持，比如微軟的CNTK和Caffe。
所以，如果你有興趣學習一些ML技能，或者抓住最新的技術浪潮，那麼可能是時候把舊的Python或C ++教科書甩開，開始實踐了。
包括TensorFlow，Keras，Theano以及sci-kit learn，Chainer，H20，Microsoft Azure Studio，Veles和Neon等小型項目。Python不支持，C ++也支持，比如微軟的CNTK和Caffe。所以，如果你有興趣學習一些ML技能，或者抓住最新的技術浪潮，那麼可能是時候把舊的Python或C ++教科書甩開，開始實踐了。