机器学习是一门教机器如何执行动作的科学，而无需专门为该动作编程。简而言之，机器学习就是教机器如何学习！目前，它是速度最快、最受欢迎的新兴技术之一，在过去四年中，采用机器学习的公司数量增加了250%以上。
因此，有多种机器学习框架可供 ML 开发人员根据其项目需求使用是理所当然的。这些框架允许 ML 开发人员通过在一个地方方便地提供接口、库和有组织的机器学习工具，根据他们的规范轻松创建模型！本文演示了当今常用的 10 种最流行的机器学习框架。那么让我们来看看它们吧！
1. TensorFlow
TensorFlow 是一个免费的端到端开源平台，拥有用于机器学习的各种工具、库和资源。它由 Google Brain 团队开发，最初于 2015 年 11 月 9 日发布。您可以使用 TensorFlow 使用 Keras 等高级 API 轻松构建和训练机器学习模型。它还提供了多个抽象级别，因此您可以为模型选择所需的选项。
TensorFlow 还允许您在任何地方部署机器学习模型，例如云、浏览器或您自己的设备。如果你想要完整的体验，你应该使用 TensorFlow Extended (TFX)，如果你想在移动设备上使用 TensorFlow Lite，如果你想在 JavaScript 环境中训练和部署模型，你应该使用 TensorFlow.js。 TensorFlow 可用于Python和 C API，也可用于 C++、 Java、JavaScript、Go、Swift 等，但没有 API 向后兼容性保证。第三方软件包也可用于 MATLAB、C#、Julia、Scala、R、Rust 等。
2. Theano
Theano 是一个开源项目，它是一个Python库，允许您操作和评估数学表达式，尤其是那些处理多维数组的表达式。它由蒙特利尔大学的蒙特利尔学习算法研究所 (MILA) 开发，最初于 2007 年发布。 Theano 还通过在函数中使用 numpy.ndarray 提供与 NumPy 的集成工具，这些函数可以编译为在 CPU 或 GPU 上高效运行架构。
Theano 还提供动态 C 代码生成，可以更快地评估表达式。 Theano 使用最新的 GPU 甚至在许多级别上超过了 C 在 CPU 上的速度。除此之外，它还结合了计算机代数系统 (CAS) 的阴影和优化编译器。这意味着通过最大限度地减少编译开销，可以更快地执行需要重复计算复杂数学表达式的操作。
3. Scikit-learn
Scikit-learn 是一个用于机器学习编码的免费软件库，主要使用Python编程语言。它最初是由 David Cournapeau 作为 Google Summer of Code 项目开发的，最初于 2007 年 6 月发布。Scikit-learn 构建在其他Python库（如 NumPy、SciPy、Matplotlib、Pandas 等）之上，因此它提供了与这些库。
虽然 Scikit-learn 主要是用Python编写的，但它也使用 Cython 编写了一些核心算法以提高性能。您可以使用 Scikit-learn 在 Scikit-learn 上实现各种监督和无监督机器学习模型，如分类、回归、支持向量机、随机森林、最近邻、朴素贝叶斯、决策树、聚类等。
4. 咖啡
CAFFE (Convolutional Architecture for Fast Feature Embedding) 最初由加州大学伯克利视觉与学习中心开发，于 2017 年 4 月 18 日发布。它是一个用 C++ 编写的深度学习框架，具有表达式架构，可以轻松切换在 CPU 和 GPU 之间。 Caffe 也有一个 MATLAB 和Python接口，雅虎也将 Apache Spark 与 Caffe 结合起来创建 CaffeOnSpark。
Caffe 是图像分类和分割的完美框架，因为它支持各种基于 GPU 和 CPU 的库，例如 NVIDIA、cuDNN、Intel MKL 等。而且速度越快越好！ Caffe 目前可以使用单个 NVIDIA K40 GPU 在一天内处理超过 6000 万张图像，这使其成为当今最快的选择之一。由于所有这些原因，Caffe 在计算机视觉、语音和多媒体领域的初创公司、学术研究项目，甚至跨国工业应用中都非常受欢迎。
5. Apache Mahout
Apache Mahout 是一个免费的机器学习框架，主要专注于线性代数。它由 Apache 软件基金会创建并于 2009 年 4 月 7 日发布。它允许数据科学家在交互式环境中实现他们的数学算法。早些时候，Apache Mahout 的大多数实现都使用了 Apache Hadoop 平台。
Apache Mahout 中用于聚类、分类和基于批处理的协同过滤的核心算法使用 Apache Hadoop，但现在主要使用 Apache Spark。 Apache Mahout 为数据科学家和数学家提供分布式线性代数和统计引擎。它与交互式 shell 和用于链接应用程序的库一起工作和分发。
6. 阿帕奇火花
Apache Spark 是一个开源的集群计算框架，可以为整个集群提供编程接口。它由加州大学伯克利分校的 AMPLab 开发，最初于 2014 年 5 月 26 日发布。Spark Core 是 Apache Spark 的基础，它以 RDD 抽象为中心。 Spark SQL 使用 DataFrames 为结构化和半结构化数据提供支持。
Apache Spark 的适应性也很强，它可以在独立集群模式或 Hadoop YARN、EC2、Mesos、Kubernetes 等上运行。您还可以从各种来源（如 Hadoop 分布式文件系统）或非关系数据库（如Apache Cassandra、Apache HBase、Apache Hive等。
7. 火炬
Pytorch 是一个基于早期开源 Torch 库的机器学习库，它最初于 2016 年 10 月发布，现在主要使用 Torch 不再积极开发。 PyTorch 提供 TorchScript，它促进了 Eager 模式和图形模式之间的无缝转换。此外，torch.distributed 后端为机器学习和优化性能提供可扩展的分布式训练。
PyTorch 还提供了多个库，例如用于模型可解释性的 Captum、用于图形深度学习的 PyTorch Geometric、用于 scikit-learn 兼容性的 skorch 等。您还可以加入 PyTorchDiscuss 参与各种讨论，以便更深入地了解机器学习。
8. 亚马逊 SageMaker
Amazon SageMaker 是一个完全集成的机器学习开发环境 (IDE)，最初于 2017 年 11 月 29 日发布。Amazon Web Services 为计算机视觉、推荐、图像和视频分析、预测、文本分析等应用程序提供此机器学习服务等。您可以选择 Amazon SageMaker 在云上构建、训练和部署机器学习模型。
Amazon SageMaker Autopilot 还具有自动化机器学习功能，可让您自动完成所有这些工作。 Amazon SageMaker 还允许您从头开始创建机器学习算法，因为它连接到 TensorFlow 和 Apache MXNet。您还可以将您的 ML 模型连接到其他 Amazon Web Services，例如用于离线批处理的 AWS Batch、Amazon DynamoDB 数据库等。
9.雅阁.NET
Accord.NET 是一个完全用 C# 编写的机器学习框架。它由 César Roberto de Souza 开发，最初于 2010 年 5 月 20 日发布。Accord.NET 涵盖各种主题，如统计、机器学习、人工神经网络以及各种机器学习算法（如分类、回归、聚类等）以及音频和图像处理库。
Accord.NET 库可用作源代码、可执行安装程序以及 NuGet 包。 （其中 NuGet 是为 Microsoft 开发平台创建的免费开源包管理器）
10.微软认知工具包
Microsoft Cognitive Toolkit 是由 Microsoft Research 开发并于 2016 年 1 月 25 日首次发布的机器学习或特别是深度学习框架。您可以使用以下方法轻松开发流行的深度学习模型，例如前馈 DNN、卷积神经网络和循环神经网络微软认知工具包。该工具包使用多个 GPU 和服务器，提供跨后端的并行化。
您可以根据您的指标、网络和算法的要求，以可自定义的方式使用 Microsoft Cognitive Toolkit。您可以将其用作Python、C++ 或 C# 程序中的库，也可以使用 BrainScript，它是自己的模型描述语言