谷歌15个人工智能开源免费项目！开发者：懂了
关于人工智能的开源项目，相信开发者们已经目睹过不少了，Github上也有大把的资源。不过笔者今天说的并非来自Github，而是来自科技“大厂”Google发布的一些涉及到机器学习、深度学习、神经网络等优质的人工智能开源项目，精心挑选了一部分推荐给大家学习。下面就来看一看。
1、AdaNet：
快速灵活的AutoML，可自主学习。AdaNet是一个基于TensorFlow的轻量级框架，可在最少的专家干预下自动学习高质量的模型。它使用Cortes等AdaNet算法。2017年将学习神经网络的结构作为子网的整体。重要的是，AdaNet提供了一个通用框架，不仅用于学习神经网络体系结构，而且还用于学习集成以获得更好的模型。
2、AutoMLVideoOn-Device：
使用AutoML视频训练对象检测移动序列模型进行推理。该示例代码显示了如何加载GoogleCloudAutoML视频对象跟踪设备上模型以及如何对视频剪辑中的一系列图像进行推断。目标设备是CPU和EdgeTPU。
3、Budou：
适用于中文，日文和韩文(CJK)语言的自动换行工具。Budou会自动将CJK句子转换为具有有意义的块的组织HTML代码，以在网络上提供漂亮的字体。
4、BulletPhysicsSDK：
针对VR，游戏，视觉效果，机器人技术，机器学习等的实时碰撞检测和多物理场仿真。BulletPhysicsSDK是用便携式C++编写的专业开源库。该库主要用于游戏，视觉效果和机器人仿真等等。该库在zlib许可下可免费用于商业用途。
pybullet是一个易于使用的Python模块，用于物理仿真，机器人技术和机器学习。使用pybullet您可以加载URDF，SDF和其他文件格式的铰接体。pybullet提供正向动力学模拟，逆向动力学计算，正向和逆向运动学以及碰撞检测和射线相交查询。除了物理模拟之外，pybullet还支持渲染，CPU渲染器和OpenGL可视化以及对虚拟现实耳机的支持。
5、CausalImpact：
用于预估设计的干预措施对时间序列的因果影响的统计库。CausalImpactR程序包实现了一种方法，用于估计设计的干预措施对时间序列的因果关系。例如，一个广告系列产生了多少额外的每日点击?当无法进行随机实验时，很难回答这样的问题。该软件包旨在使用结构贝叶斯时间序列模型来解决此难题，以估计如果干预未发生，干预后干预指标可能如何演变。
6、DarwinNeuroevolutionFramework：
神经进化和进化算法框架。达尔文(Darwin)是一个旨在使神经进化实验变得简单，快速和有趣的框架。它提供了构建基块，示例和工具，从而避免了研究新思想所需的重复(且可能是复杂的)支架。
7、DeepMindLab：
可定制的3D平台，用于基于代理的AI研究。DeepMindLab是一个第一人称3D游戏平台，旨在研究和开发通用人工智能和机器学习系统。它提供了一组具有挑战性的导航和解谜任务，这些任务对于深度强化学习特别有用。其简单灵活的API使创新的任务设计和新颖的AI设计得以探索并快速迭代。
[[283367]]
8、Dopamine：
强化学习算法的快速原型研究框架。Dopamine是基于TensorFlow的研究框架，用于快速学习强化学习算法的原型。它旨在满足对小型，易处理的代码库的需求，用户可以在其中自由地试验荒诞的想法(推测性研究)。
9、gemmlowp：
低精度矩阵乘法。gemmlowp是一个用于相乘矩阵的库，其项被量化为8位整数。它用于移动神经网络应用程序，并获得了英特尔和ARM的大力支持，从而确保了它在各种移动CPU上的高效性。
10、GenerativeMLOnCloud：
一种基于云的工具，有助于生成机器学习和合成图像。端到端的系统设计允许用户拥有图像的自定义数据集，以在CloudML上训练可变自动编码器生成对抗网络(VAE-GAN)模型。在这里，模型被部署到云端，用户可以在其中输入嵌入以从其数据集中生成合成图像，或者输入图像以获取嵌入矢量。该工具使用GoogleCloudMachineLearningAPI和TensorFlow。
11、GraphDistillation：
用于动作检测的图形蒸馏。在这项工作中，我们提出了一种称为“图蒸馏”的方法，该方法在源域中合并了来自大型多模态数据集的丰富特权信息，并改善了缺乏训练数据和模态的目标域中的学习。
12、Kubeflow：
Kubernetes的机器学习工具包。Kubeflow项目致力于使机器学习(ML)工作流在Kubernetes上的部署简单，可移植且可扩展。我们的目标不是重新创建其他服务，而是提供一种直接的方法来将ML的同类最佳的OS系统部署到各种基础结构。在运行Kubernetes的任何地方，都应该能够运行Kubeflow。
13、Magenta：
借助机器智能进行音乐和艺术创作。Magenta是一个研究项目，旨在探索机器学习在艺术和音乐创作过程中的作用。首先，这涉及开发新的深度学习和强化学习算法，以生成歌曲，图像，绘图和其他材料。但这也是对构建智能工具和界面的一次探索，该工具和界面允许艺术家和音乐家使用这些模型扩展(而不是替换!)他们的过程。
14、MentorNet：噪声数据深度学习。该示例代码显示了如何加载GoogleCloudAutoML视频对象跟踪设备上模型，以及如何对视频剪辑中的一系列图像进行推断。目标设备是CPU和EdgeTPU。
15、TensorFlowPlayground：
浏览器在神经网络中的可视化交互。TensorFlowPlayground让神经网络的交互式变得可视化，使用d3.js以打字稿编写。它包含一个微型神经网络库，可以满足这种教育可视化的要求。用户可以在浏览器中实时模拟小型神经网络并查看结果。
这15个项目均来自Googleopensource开源项目，这对开发者来说无疑是一个宝库。除此之外，有了这些开源的免费资源，开发者还可以通过钛灵AIX来实践和开发自己的人工智能原型产品。钛灵AIX迷你小电脑，支持语音交互和视觉识别，内置英特尔MovidiusMyraidX运算加速芯片，全球最受欢迎的开源硬件树莓派、以及多种传感技术。AIX极大降低AI的学习与开发门槛，帮助AI爱好者及开发者们快速构建会听、会说、会看的AI应用及解决方案。
10个最佳的人工智能开发框架和AI库
10个最佳的人工智能开发框架和AI库人工智能（AI）已经存在很长时间了。然而，由于这一领域的巨大进步，近年来它已成为一个流行语。人工智能曾经被称为一个完整的书呆子和天才的领域，但由于各种开发库和框架的发展，它已经成为一个友好的IT领域，并有很多人正走进它。
在这篇文章中，我们将研究用于人工智能的优质库，它们的优缺点以及它们的一些特征。让我们深入并探索这些人工智能库的世界！
TensorFlow“使用数据流图表的可伸缩机器学习的计算”
TensorFlow语言：C++或Python。
当进入AI时，你会听到的第一个框架之一就是Google的TensorFlow。
TensorFlow是一个使用数据流图表进行数值计算的开源软件。这个框架被称为具有允许在任何CPU或GPU上进行计算的架构，无论是台式机、服务器还是移动设备。这个框架在Python编程语言中是可用的。
TensorFlow对称为节点的数据层进行排序，并根据所获得的任何信息做出决定。点击查看详情！
TensorFlowsortsthroughdatalayers优点：
使用易于学习的语言（Python）。使用计算图表抽象。用于TensorBoard的可用性的可视化。缺点：
这很慢，因为Python不是语言中最快的。缺乏许多预先训练的模型。不完全开源。2.MicrosoftCNTK
“开源深度学习工具包”
MicrosoftCNTK语言：C++。
我们可以称之为微软对Google的TensorFlow的回应。
微软的计算网络工具包是一个增强分离计算网络模块化和维护的库，提供学习算法和模型描述。
在需要大量服务器进行操作的情况下，CNTK可以同时利用多台服务器。
据说它的功能与Google的TensorFlow相近；但是，它会更快。在这里了解更多。
Microsoft’sComputationalNetworkToolKit优点：
这是非常灵活的。允许分布式训练。支持C++、C＃、Java和Python。缺点：
它以一种新的语言——网络描述语言（NetworkDescriptionLanguage,NDL）来实现。缺乏可视化。3.Theano
“数值计算库”
Theano语言：Python。
Theano是TensorFlow的强有力竞争者，是一个功能强大的Python库，允许以高效率的方式进行涉及多维数组的数值操作。
Theano库透明地使用GPU来执行数据密集型计算而不是CPU，因此操作效率很高。
出于这个原因，Theano已经被用于为大规模的计算密集型操作提供动力大约十年。
然而，在2017年9月，宣布Theano的主要开发将于2017年11月发布的1.0版本后停止。
这并不意味着它是一个不够强大的库。你仍然可以随时进行深入的学习研究。在这里了解更多。
Theano
data-intensivecomputations优点：
正确优化CPU和GPU。有效的数字任务。缺点：
与其他库相比，原生Theano有点低级。需要与其他库一起使用以获得高度的抽象化。AWS上有点bug。4.Caffe
“快速、开源的深度学习框架”
语言：C++。
Caffe是一个强大的深度学习框架。
像这个清单上的其他框架一样，深度学习的研究速度非常快。
借助Caffe，您可以非常轻松地构建用于图像分类的卷积神经网络（CNN）。Caffe在GPU上运行良好，这有助于在运行期间提高速度。查看主页获取更多信息。
Caffe主要的类有：
Caffe
mainclasses优点：
Python和MATLAB的绑定可用。性能表现良好。无需编写代码即可进行模型的训练。缺点：
对于经常性网络不太好。新体系结构不太好。5.Keras
“人类的深度学习”
语言：Python。
Keras是一个用Python编写的开源的神经网络库。
与TensorFlow、CNTK和Theano不同，Keras不是一个端到端的机器学习框架。
相反，它作为一个接口，提供了一个高层次的抽象化，这使得无论它坐落在哪个框架上，神经网络的配置都会变得容易。
谷歌的TensorFlow目前支持Keras作为后端，而微软的CNTK也会在很短的时间内做到这一点。在这里了解更多。
Keras优点：
它是用户友好的。它很容易扩展。在CPU和GPU上无缝运行。与Theano和TensorFlow无缝工作。缺点：
不能有效地用作独立的框架。6.Torch
“一个开源的机器学习库”
语言：C。
Torch是一个用于科学和数字操作的开源机器学习库。
这是一个基于Lua编程语言而非Python的库。
Torch通过提供大量的算法，使得深度学习研究更容易，并且提高了效率和速度。它有一个强大的N维数组，这有助于切片和索引等操作。它还提供了线性代数程序和神经网络模型。点击查看详情！
Torch优点：
非常灵活。高水平的速度和效率。大量的预训练模型可用。缺点：
不清楚的文献记录。缺乏即时使用的即插即用代码。它基于一种不那么流行的语言——Lua。7.Accord.NET
“机器学习、计算机视觉、统计和.NET通用科学计算”
语言：C＃。
这是专为C＃程序员设计的。
Accord.NET框架是一个.NET机器学习框架，使音频和图像处理变得简单。
这个框架可以有效地处理数值优化、人工神经网络，甚至可视化。除此之外，Accord.NET对计算机视觉和信号处理的功能非常强大，同时也使得算法的实现变得简单。检查主页面。
Accord.NET优点：
它有一个强大而积极的开发团队。非常有据可查的框架。质量可视化。缺点：
不是一个非常流行的框架。比TensorFlow慢。8.SparkMLlib
“可扩展的机器学习库”
语言：Scala。
Apache的SparkMLlib是一个非常可扩展的机器学习库。
它非常适用于诸如Java、Scala、Python，甚至R等语言。它非常高效，因为它可以与Python库和R库中的numpy进行互操作。
MLlib可以轻松插入到Hadoop工作流程中。它提供了机器学习算法，如分类、回归和聚类。
这个强大的库在处理大型数据时非常快速。
Spark
MLlib优点：
对于大规模数据处理非常快速。提供多种语言。缺点：
陡峭的学习曲线。即插即用仅适用于Hadoop。9.Sci-kitLearn
“用Python的机器学习”
语言：Python。
Sci-kitlearn是一个非常强大的机器学习Python库，主要用于构建模型。
使用numpy、SciPy和matplotlib等其他库构建，对统计建模技术（如分类、回归和聚类）非常有效。
Sci-kitlearn带有监督学习算法、无监督学习算法和交叉验证等功能。点击查看详情！
优点：
许多主要算法的可用性。有效的数据挖掘。缺点：
不是构建模型的最佳选择。GPU效率不高。10.MLPack
“可扩展的C++机器学习库”
语言：C++。
MLPack是一个用C++实现的可扩展的机器学习库。因为它是用C++编写的，所以你可以猜测它对于内存管理是非常好的。
MLPack以极高的速度运行，因为高质量的机器学习算法与库一起出现。这个库是对新手友好的，并提供了一个简单的API使用。点击查看详情！
MLPack优点：
非常可扩展。Python和C++绑定可用。缺点：
不是最好的文献记录。我做的小程序们【推荐】Web版短信管理平台源码WinForm版短信管理平台源码移动短信程序源码Win服务版(CMPP3.0/CMPP2.0协议)移动物联网卡短信源码(CMPP3.0协议，支持MsSql/MySql数据库)C#实现联通短信Sgip协议程序源码C#实现电信短信SMGP协议程序源码C#实现移动短信CMPP服务端程序源码小y的QQ：28657321（欢迎交流）分类:[20]机器学习好文要顶关注我收藏该文小y关注-6粉丝-1351+加关注00«上一篇：【来龙去脉系列】TCP连接与断开详解（socket通信）»下一篇：解决vs2019中暂时无法为.netcoreWinForms使用Designer的临时方法posted@2020-01-2017:09小y阅读(10405)评论(0)编辑收藏举报刷新评论刷新页面返回顶部登录后才能查看或发表评论，立即登录或者逛逛博客园首页【推荐】并行超算云面向博客园粉丝推出“免费算力限时申领”特别活动【推荐】百度智能云超值优惠：新用户首购云服务器1核1G低至69元/年【推荐】跨平台组态工控仿真CAD50万行C++源码全开放免费下载！【推荐】和开发者在一起：华为开发者社区，入驻博客园科技品牌专区【注册】App开发者必备：打造增长变现闭环，高效成长，收入提升28%
编辑推荐：·不会SQL也能做数据分析？浅谈语义解析领域的机会与挑战·SpringIoCContainer原理解析·前端实现的浏览器端扫码功能·ASP.NETCoreFilter与IOC的羁绊·记一次.NET某电商定向爬虫内存碎片化分析最新新闻：·22岁何同学自制硬核AirDesk！苹果都做不来的超大充电桌，稚晖君点赞（2021-10-1822:43）·年轻人不敢给差评（2021-10-1821:55）·三六零：拟29亿元投资入股哪吒汽车（2021-10-1821:40）·中芯国际疯狂扩产！今年新增5.5万片晶圆（2021-10-1821:33）·业务数据全用上也喂不饱AI？试试这个小样本学习工具包（2021-10-1821:28）»更多新闻…精心推出《来龙去脉》系列，每一篇文章都从起源讲解，真正让你了解原理，不再惧怕框架和技术。
昵称：小y园龄：15年5个月粉丝：1351关注：6+加关注日一二三四五六262728293012345678910111213141516171819202122232425262728293031123456搜索
积分与排名积分-1390987排名-115随笔分类(691)[00]框架/模式(62)[00]来龙去脉系列(16)[01]图像识别(9)[02]移动APP(24)[03]微信小程序&H5(25)[04].Net技术(50)[05]项目管理(7)[06]游戏开发(13)[07]自动化测试(6)[08]Windows技术(55)[09]网络编程(86)[10]数据库相关(73)[11]前端技术(55)[12]Xml相关(14)[13]打包部署(10)[14]黑客技术(46)[15]加密解密(12)[17]数学之美系列(21)[18]水晶报表相关(10)[19]搜索引擎技术(9)更多友情链接人人都是产品经理云风优米网NCCa享受吧耳朵AntDVue凡科阅读排行榜
html之marquee详解(169755)String.Format格式说明(168849)c#面试题及答案（二）(108108)web压力测试工具（小而精）(94174)C#串口通信编程类(修改版)(74407)C#结合串口通信类实现串口通信源代码（原创）(73771)Windows服务创建及安装(69449)Redis、Memcache和MongoDB的区别(67320)HttpWebRequest详解(56308)20款最好的免费Bootstrap后台管理和前端模板(53587).Net软件工程师面试题及答案（精选）(49461)局域网QQ第三版（V1.4）(48750)C＃实现Base64编码与解码(45689)java调用WebService的例子(43593)用js实现md5加密(41806)物联网常见通信协议梳理(41489)图片保存到数据库和从数据库读取图片并显示（C＃）(40049)我做的程序(37110)C#版俄罗斯方块(36044)电商平台10大商业与盈利模式(35451)常用算法大全－贪婪算法(27401).Net三款工作流引擎比较：WWF、netBPM和ccflow(27081)5分钟弄懂：语音识别技术原理(26923)SQLServer的聚集索引和非聚集索引(25421)QR二维码生成器源码（中间可插入小图片）(23965)Sqlserver存储过程中常见游标循环用法(23765)15种主要编程语言介绍及应用场合(22636)使用SharpZipLib实现zip压缩(22424)XP下的NetSend用法(22406)用C#实现的条形码和二维码编码解码器(20946)最新评论Re:用js实现md5加密？–余光都是你2.Re:使用C#版Tesseract库@真真真甜有一点要注意的是，tesseract的识别语言包要自己下载后包含到项目里面，并设置为始终复制，或者直接把这个文件包放到运行程序目录（bindebug)下…–小y3.Re:使用C#版Tesseract库老哥，求教，我按上面的代码，执行using(varengine=newTesseractEngine(“tessdata”,“eng”,EngineMode.Default))时提示F…–真真真甜4.Re:软件License设计这个克隆系统读到的设备识别码都是重复的吧！有什么办法解决吗？
–秋色宜人5.Re:c#zxing生成二维码和打印我生成的图片竟然没有那些文字，好奇怪啊。。。。
–summer123813Copyright©2021小yPoweredby.NET6onKubernetes
人工智能开源框架介绍(整理)
image.png前人栽树，后人乘凉．Ｏ(∩＿∩)Ｏ哈哈～
TensorFlowTensorFlow™是一个开源软件库，最初由GoogleBrainTeam的研究人员和工程师开发。(中文社区)
TensorFlow使用数据流图进行数值计算。图中的节点表示数学运算，边表示它们之间通信的多维数据数组(张量)。
其架构灵活，你可以使用单个API将计算部署到桌面、服务器或移动设备中的一个或多个CPU或GPU。
TensorFlow提供了多种API。最低级别的API——TensorFlowCore——提供了完整的编程控制。
高级API则建立在TensorFlowCore的顶部。
这些更高级别的API通常比TensorFlowCore更容易学习和使用。
此外，更高级别的API使得重复性的任务在不同的用户之间变得更容易、更一致。
一个高级API就像tf.estimator，可以帮助您管理数据集、评估器、训练和推理。
image.pngTensorFlow中的数据中心单位是张量。
一个张量由一组形成任意数量维数组的原始值组成。张量的阶就是它的维数。
使用TensorFlow开发的例子工程名介绍RankBrain在www.google.com上大规模部署用于搜索排名的深度神经网络。Inception图像分类模型基准模型和对高度精确的计算机视觉模型的后续研究，它是在获得2014年Imagenet图像分类挑战赛的模型基础之上进行构建的。SmartReply可自动生成电子邮件响应的DeepLSTM模型。MassivelyMultitaskNetworksforDrugDiscoveryGoogle与斯坦福大学合作的识别有效候选药的的深度神经网络模型。用于OCR的设备级计算机视觉基于设备级的计算机视觉模型实现光学字符识别，进行实时翻译。ApacheSystemML利用大数据进行机器学习的最佳开源工具。官网
SystemML是由IBM创建的机器学习技术，是Apache中的顶级项目之一，它是一个灵活、可扩展的机器学习系统。
SystemML的重要特点如下：1.使用类R和类Python语言定制算法。2.有多种执行模式，包括SparkMLContext、SparkBatch、HadoopBatch、Standalone和JMLC(Java机器学习连接器)。3.基于数据和聚类特性的自动优化，保证了算法的高效率和可扩展性。4.将SystemML视为机器学习的结构化查询语言SQL。SystemML的最新版本(1.0.0)支持：Java8+、Scala2.11+、Python2.7/3.5+、Hadoop2.6+以及Spark2.1+。5.可在ApacheSpark上运行，在ApacheSpark上，SystemML通过逐行查看代码，确保代码是否能够在ApacheSpark聚类上运行。
未来对SystemML的开发将包括：使用GPU进行额外的深度学习，例如导入和运行神经网络架构以及用于训练的预训练模型。
image.pngCaffeCaffe是一种清晰而高效的深度学习框架。官网
Caffe最初由杨庆佳在加州大学伯克利分校读博期间发起，后来由伯克利AI研究公司(BAIR)和社区贡献者联合开发。
它主要专注于用于计算机视觉应用的卷积神经网络。
对于计算机视觉相关的任务来说，Caffe是一个不错且较为流行的选择，您可以在CaffeModelZoo上注册，下载很多已经成功建模的模型，直接用于开发。
Caffe的重要特点如下：1.Expressive架构鼓励实用和创新。用配置定义的模型和优化，而不需要硬编码。通过设置单个标志在GPU机器上进行训练，然后部署聚类或移动设备，实现CPU和GPU之间的切换。2.可扩展代码更有助于开发。在Caffe开发好的的第一年，就有1,000多个开发者分享了出去，对其做了重大贡献。3.Caffe的高速使理论实验和实际应用得到了完美的结合。Caffe使用单个NVIDIAK40GPU每天可处理超过6000万张图像。4.社区：Caffe已经为视觉、语音和多媒体领域的学术研究项目，启动原型，甚至大规模工业应用提供支持。
image.pngApacheMahoutApacheMahout是一个分布式线性代数框架，提供了一些经典的机器学习算法。官网
Mahout旨在帮助开发人员方便快捷的实现自己的算法。
ApacheSpark是一种即拿即用的分布式后台，或者也可以将其扩展到其他分布式后台。
其特点如下：1.数学表达ScalaDSL。2.支持多种分布式后端(包括ApacheSpark)。3.包含用于CPU/GPU/CUDA加速的模块化本地求解器。4.ApacheMahout应用的领域包括：协作过滤(CF)，聚类和分类。
image.pngOpenNNOpenNN是一个用c++编写的开源类库，它实现了神经网络建模。官网
Opennn(开放神经网络图书馆)以前被称为Flood，它是以R.Lopez在2008年泰罗尼亚技术大学的博士论文《在工程变分问题的神经网络》为基础开发的。
Opennn使用一组函数实现了数据挖掘，并且，可以使用一个API将这些函数嵌入到其他软件工具中，使软件工具和预测分析任务之间进行交互。
Opennn的主要优点就是它的高性能。
由于采用c++开发，因此它有更好的内存管理和更高的处理速度，并利用OpenMP和GPU加速度(CUDA)实现CPU并行化。
Opennn包中含有单元测试、许多示例和大量文档。为神经网络算法和应用的研究开发提供了一个有效的框架。
神经网络设计是一个基于OpenNN的专业预测分析工具，这就意味着神经网络设计的神经引擎是基于OpenNN建立的。
OpenNN旨在从数据集和数学模型中进行学习。
image.pngTorchTorch是一个开源机器学习库、科学计算框架和基于Lua编程语言的脚本语言。官网
Torch供Facebook人工智能研究小组、IBM、Yandex和Idiap研究所使用。
现在，它已经扩展到Android和iOS系统上，研究人员也使用Torch来构建硬件实现数据流。
image.pngPytorch是一个Python的开源机器学习库，用于自然语言处理等应用，主要由Facebook的人工智能研究小组开发，Uber的概率编程软件"Pyro"就是在Pytorch上创建的。
NeurophNeuroph是一种用Java编写的面向对象的神经网络框架。官网
Neuroph可用于在Java程序中创建和训练神经网络，它提供了Java类库以及用于创建和训练神经网络的GUI工具easyNeurons。
Neuroph是一个轻量级的Java神经网络框架，可用于开发常见的神经网络架构。它包含一个设计良好的开源Java库，其中包含少量与基本神经网络概念对应的基础类。
它还有一个很好的GUI神经网络编辑器来快速创建Java神经网络组件。目前，已经在Apache2.0许可下作为开源发布出来。
Neuroph的核心类与人工神经元、神经元层、神经元连接、权重、传递函数、输入函数和学习规则等基本神经网络概念对应。
Neuroph支持常见的神经网络体系结构，例如具有反向传播，Kohonen和Hopfield网络的多层感知器。
所有的这些类都可以进行扩展和定制，以自定义创建神经网络和学习规则。Neuroph同时也支持图像识别。
image.pngDeeplearning4jDeeplearning4j是第一个为Java和Scala编写的商业级开源分布式深度学习库。官网
Deeplearning4j旨在成为顶尖的即拿即用设备，而不是只是做一些配置，这使得非专业人员也能够快速的构建模型。
DL4J可以通过Keras(包括TensorFlow，Caffe和Theano)从大多数主要框架中导入神经网络模型，它为数据科学家、数据工程师和DevOps提供了跨团队工具包，弥合了Python生态系统和JVM之间的障碍。
现在，Keras是Deeplearning4j的PythonAPI。
image.pngMycroftMycroft声称是世界上第一个开源助手，适用于从科学项目到企业软件应用程序的任何事情。官网
Mycroft可以在任何地方运行——台式计算机上、在汽车内或在树莓派上运行。这是可以自由混合、自由扩展和改进的开源软件。
image.pngOpenCogOpenCog是一个旨在构建开源人工智能框架的项目。官网
OpenCog是认知算法的多元化组合，每种组合都体现了它们的创新之处。但是，认真遵守认知协同原则才是OpenCog整体架构强大的原因。
OpenCog最初是基于2008年“NovamenteCognitionEngine”(NCE)发布的源代码。
image.pngPS:每一个都很强大，感谢大神分享，不过看了介绍我对Mycroft更加感兴趣了.
参考10大热门人工智能开源工具(框架］