面向Linux的十大開源人工智能工具

目前，人工智能是科技界不斷發展的領域之一，主要側重于構建軟硬件，以便在醫療、教育、安全、制造、銀行及其他眾多領域解決日常生活中的挑戰。我們在本文中將介紹幾款面向Linux生態系統的頂尖開源人工智能工具。

下面列出了為支持人工智能設計和開發的諸多平臺，你可以在Linux及其他許多操作系統上使用。切記：介紹順序不分先后。

1.DeepLearningForJava(Deeplearning4j)

Deeplearning4j是一種商用級、開源、即插即用的分布式深度學習庫，面向Java和Scala編程語言。它是專門為商業相關應用設計的，并與分布式CPU和GPU上的Hadoop和Spark整合起來。

DL4J采用Apache2.0許可證發布，它提供了GPU支持，以便在AWS上進行擴展，并且適用于微服務架構。

主頁鏈接：http://deeplearning4j.org/

2.Caffe

是一種模塊化、表達式的深度學習框架，以速度見長。它采用BSD2-Clause許可證發布，已經支持研究、初創公司原型以及視覺、速度和多媒體之類的工業應用等領域的幾個社區項目。

主頁鏈接：http://caffe.berkeleyvision.org/

3.H20

是一種開源、快速、可擴展的分布式機器學習框架，另外該框架還有各種各樣的算法。它支持更智能化的應用，比如深度學習、梯度提升、隨機森林、廣義線性建模(比如邏輯回歸和彈性網絡)以及其他更多。

這是一種面向企業的人工智能工具，用于利用數據做決策，它讓用戶能夠使用更快速、更準確的預測建模，從數據獲取洞察力。

主頁鏈接：http://www.h2o.ai/

4.MLli

是一種開源、易于使用、高性能的機器學習庫，是作為ApacheSpark的一部分開發的。它實際上易于部署，可以在現有的Hadoop集群和數據上運行。

MLlib還隨帶一系列算法，可用于分類、回歸、推薦、聚類、生存分析及更多方面。重要的是，它可以用在Python、Java、Scala和R等編程語言中。

主頁鏈接：https://spark.apache.org/mllib/

5.ApacheMahout

Mahout是一種開源框架設計工具，用于構建可擴展的機器學習應用程序，它擁有如下三大功能：

提供簡單、可擴展的編程工作環境。提供諸多預包裝算法，支持Scala+ApacheSpark、H20以及ApacheFlink。包括Samaras，這是一種向量數學試驗型工作環境，擁有類似R的語法。

主頁鏈接：http://mahout.apache.org/

6.開放神經網絡庫(OpenNN)

OpenNN也是一種用C++編寫的開源類庫，面向深度學習，它用于構建神經網絡。然而，它最適合經驗豐富的C++程序員以及機器學習技能出色的人員。它的特點就是擁有深度架構和高性能。

主頁鏈接：http://www.opennn.net/

7.Oryx2

Oryx2是最初的Oryx項目的延續，它是在ApacheSpark和ApacheKafka上開發的，重新設計了Lambda架構，不過專門面向實時機器學習。

這是個應用開發平臺，還隨帶協作過濾、分類、回歸和聚類等方面的某些應用程序。

主頁鏈接：http://oryx.io/

8.OpenCyc

OpenCyc是一種開源門戶網站，通向世界上最大、最全面的一般知識庫和常識推理引擎。它包括大量的Cyc術語，這些術語用一種精確設計的本體來排列，支持這些領域的應用：

豐富領域建模特定領域專家系統文本理解語言數據整合、人工智能游戲及其他

主頁鏈接：http://www.cyc.com/platform/opencyc/

9.Apache SystemML

SystemML是一種面向機器學習的開源人工智能平臺，最適合大數據。主要功能特性：支持類似R和Python的語法，專注于大數據，專門為高級數學設計。主頁上詳細解釋了其工作原理，包括視頻演示，作了明確的講解。

有幾個方法可以使用它，包括ApacheSpark、ApacheHadoop、Jupyter和ApacheZeppelin。一些重要的使用場合包括汽車、機場交通和社群金融。

主頁鏈接：http://systemml.apache.org/

10.NuPIC

NuPIC是一種機器學習開源框架，基于分層時間記憶(HTM)，這是一種大腦皮層理論。用NuPIC集成的HTM程序是為分析實時流數據而實踐的，它能學習數據中基于時間的模式，預測當前值，并且發現任何不規則的地方。

它的重要功能特性包括如下：

持續在線學習時間和空間模式實時流數據預測和建模強大的異常檢測分層時間記憶

主頁鏈接：http://numenta.org/

由于人工智能領域的研究方興未艾，我們勢必會看到更多的工具涌現出來，有助于讓這個技術領域大獲成功，尤其是用于克服日常的科學挑戰，并且滿足教學用途。