如今，各種各樣的機(jī)器學(xué)習(xí)工具活躍在開(kāi)源社區(qū)，這些工具有助于減輕配置和測(cè)試AI相關(guān)工作的負(fù)載。但是，如何評(píng)估并選擇適合自己的工具成為了開(kāi)發(fā)者必須認(rèn)真思考的問(wèn)題，有些人可能希望在訓(xùn)練新的AI算法時(shí)專(zhuān)注于易用性，而其他人可能會(huì)優(yōu)先考慮參數(shù)優(yōu)化和生產(chǎn)部署，不同的框架在不同的領(lǐng)域又具備著不同的優(yōu)劣勢(shì)，這讓開(kāi)發(fā)者難以抉擇。

現(xiàn)在比較流行的機(jī)器學(xué)習(xí)框架有TensorFlow、MXNet、Scikit-learn、Keras和PyTorch，這些通常被數(shù)據(jù)科學(xué)家用于訓(xùn)練各種用例算法，比如預(yù)測(cè)、圖像識(shí)別和推薦。因?yàn)閿?shù)據(jù)科學(xué)家往往更喜歡能夠輕松構(gòu)建算法的機(jī)器學(xué)習(xí)框架，但這只是整個(gè)人工智能開(kāi)發(fā)流程中很小的部分，企業(yè)通常會(huì)花更多時(shí)間在一些輔助工作上，比如準(zhǔn)備數(shù)據(jù)、將算法轉(zhuǎn)移到生產(chǎn)環(huán)境、配置機(jī)器學(xué)習(xí)參數(shù)、排除研究環(huán)境和生產(chǎn)環(huán)境模型之間的差異。

選擇機(jī)器學(xué)習(xí)框架之前需要考慮的三個(gè)問(wèn)題!

根據(jù)Forrester Research 的AI方向副總裁兼***分析師Mike Gualtieri的說(shuō)法，研發(fā)人員在選擇機(jī)器學(xué)習(xí)框架時(shí)需要思考如下三個(gè)問(wèn)題：

1. 該框架用于深度學(xué)習(xí)還是經(jīng)典的機(jī)器學(xué)習(xí)?
2. 在開(kāi)發(fā)AI模型時(shí)，***的編程語(yǔ)言是什么?
3. 開(kāi)發(fā)過(guò)程使用哪些硬件、軟件和云服務(wù)進(jìn)行擴(kuò)展?

選擇深度學(xué)習(xí)還是經(jīng)典的機(jī)器學(xué)習(xí)?

深度學(xué)習(xí)是機(jī)器學(xué)習(xí)中的一個(gè)分支，在算法層面，經(jīng)典的機(jī)器學(xué)習(xí)算法未必不能實(shí)現(xiàn)深度學(xué)習(xí)的功能，很多機(jī)器學(xué)習(xí)算法在應(yīng)用程序中都可以***的完成各項(xiàng)深度學(xué)習(xí)任務(wù)，雖然有些框架在某種程度上支持這兩種算法，但機(jī)器學(xué)習(xí)框架往往表現(xiàn)更好。

從差異性的角度來(lái)說(shuō)，深度學(xué)習(xí)框架更加偏重神經(jīng)網(wǎng)絡(luò)方向，尤以TensorFlow最為知名，其他在深度學(xué)習(xí)中表現(xiàn)良好的機(jī)器學(xué)習(xí)框架還有MXNet和Caffe，這些框架支持編寫(xiě)用于圖像標(biāo)記和高級(jí)自然語(yǔ)言處理的算法以及其他應(yīng)用程序。

深度學(xué)習(xí)和機(jī)器學(xué)習(xí)框架***的不同在于所處理的數(shù)據(jù)結(jié)構(gòu)有所差異，深度學(xué)習(xí)框架可以被訓(xùn)練用于處理結(jié)構(gòu)化數(shù)據(jù)，但是機(jī)器學(xué)習(xí)框架不適用于非結(jié)構(gòu)化數(shù)據(jù)。在選擇框架前，你一定要了解企業(yè)的數(shù)據(jù)類(lèi)型以及要構(gòu)建的應(yīng)用程序類(lèi)型。

經(jīng)典的機(jī)器學(xué)習(xí)算法適用于各種優(yōu)化和統(tǒng)計(jì)分析，***的機(jī)器學(xué)習(xí)框架是Scikit-learn。Scikit-learn適合在Python中編寫(xiě)，但Comprehensive R Archive Network(也稱(chēng)為CRAN)可能更適合在R中編寫(xiě)應(yīng)用程序。其他流行的軟件包有Apache Spark MLlib和H2O.ai等，H2O.ai有一套開(kāi)源機(jī)器學(xué)習(xí)算法并且運(yùn)行良好。

開(kāi)發(fā)AI模型，***的編程語(yǔ)言是什么?

就編程語(yǔ)言而言，Python和R是機(jī)器學(xué)習(xí)開(kāi)發(fā)者普遍的選擇。當(dāng)然，你可以使用其他語(yǔ)言，比如C、Java和Scala。Gualtieri表示，目前的大多數(shù)機(jī)器學(xué)習(xí)應(yīng)用都是用Python編寫(xiě)的，因?yàn)镽語(yǔ)言是由統(tǒng)計(jì)學(xué)家設(shè)計(jì)的，并不是***雅的編程語(yǔ)言。相比較而言，Python是一種更加現(xiàn)代化的編程語(yǔ)言，并且Caffe和TensorFlow也是開(kāi)發(fā)機(jī)器學(xué)習(xí)模型的Python編碼器的主流選擇。

測(cè)試環(huán)境與實(shí)際生產(chǎn)環(huán)境的差異

在開(kāi)發(fā)的早期階段，數(shù)據(jù)科學(xué)家可能會(huì)針對(duì)不同的數(shù)據(jù)集選擇模型或算法，但是，如果你決定對(duì)生產(chǎn)環(huán)境中的所有數(shù)據(jù)集運(yùn)行同一個(gè)模型，那么你可以查看一些支持分布式體系結(jié)構(gòu)的框架，比如Apache Spark的MLlib或H20，因?yàn)榭蓴U(kuò)展性是一個(gè)很實(shí)際且很重要的問(wèn)題。

在深度學(xué)習(xí)中有很多類(lèi)似的場(chǎng)景，比如，AI開(kāi)發(fā)人員想要對(duì)圖像進(jìn)行標(biāo)注，他們可以下載TensorFlow并在桌面運(yùn)行以訓(xùn)練算法和試驗(yàn)不同的模型，一旦他們整理出了一個(gè)可行的模型，往往會(huì)迫不及待得丟到整個(gè)生產(chǎn)環(huán)境，但這個(gè)模型不一定適合整個(gè)生產(chǎn)開(kāi)發(fā)環(huán)境，因?yàn)闇y(cè)試環(huán)境與其有著很大差異，并且也需要考慮硬件條件和云服務(wù)支持。

在AI算法的訓(xùn)練階段，可擴(kuò)展性是指可以分析的數(shù)據(jù)量以及數(shù)據(jù)分析速度，使用分布式算法和分布式處理可以顯著提高性能。在實(shí)際部署階段，可擴(kuò)展性更多得與可立即***模型的并發(fā)用戶或應(yīng)用程序的數(shù)量有關(guān)。很多AI項(xiàng)目出現(xiàn)問(wèn)題的原因在于訓(xùn)練環(huán)境和生產(chǎn)環(huán)境千差萬(wàn)別，數(shù)據(jù)科學(xué)家卻只使用一套工具。

參數(shù)優(yōu)化

選擇機(jī)器學(xué)習(xí)框架的另一個(gè)關(guān)鍵因素是參數(shù)優(yōu)化，每種算法都采用不同的方法來(lái)分析訓(xùn)練數(shù)據(jù)并將其學(xué)習(xí)的內(nèi)容應(yīng)用于新的示例。每個(gè)參數(shù)都可以通過(guò)旋鈕和刻度盤(pán)的不同組合來(lái)調(diào)節(jié)，通過(guò)調(diào)整不同變量的權(quán)重和異常值以列舉一些可能的組合。在選擇機(jī)器學(xué)習(xí)框架時(shí)，重要的是考慮這些參數(shù)是希望自動(dòng)調(diào)整還是手動(dòng)調(diào)整，需要調(diào)整的旋鈕和表盤(pán)越多，找到合適的組合就越困難。

機(jī)器學(xué)習(xí)框架是否是解決特定問(wèn)題的***選擇，這是企業(yè)要考慮的***一個(gè)問(wèn)題，我們可以將機(jī)器學(xué)習(xí)開(kāi)發(fā)工具分為三類(lèi)：notebook-based, multi-modal和automated。

• notebook-based - 使用基于Python的Jupyter等工具，提供對(duì)機(jī)器學(xué)習(xí)模型定制的所有方面的復(fù)雜控制，機(jī)器學(xué)習(xí)框架使用此概念來(lái)減少自定義的繁重工作。
• multi-modal(多模式)本質(zhì)上是一種將數(shù)據(jù)科學(xué)與專(zhuān)用工具(如Salesforce Einstein)相結(jié)合的低質(zhì)量代碼編寫(xiě)方式，使開(kāi)發(fā)人員能夠?qū)⒑诵腁I模型擴(kuò)展到特定用例。
• Automated(自動(dòng)化方法)使用工具自動(dòng)為給定的輸入數(shù)據(jù)集嘗試各種可能的算法，直到確定特定用例的***備選者。這些工具包括Google AutoML，DataRobot和H20.ai等產(chǎn)品。

自動(dòng)化確實(shí)很有吸引力，因?yàn)閿?shù)據(jù)科學(xué)家的技術(shù)水平未必很高，尤其是現(xiàn)在社會(huì)整體人才稀缺的情況下，并且通過(guò)自動(dòng)化工具的支持，統(tǒng)計(jì)學(xué)家有時(shí)也可以完成一些數(shù)據(jù)科學(xué)家的工作，當(dāng)然，不要期待這些自動(dòng)化工具完全替代人工。

開(kāi)源機(jī)器學(xué)習(xí)框架提供了豐富的社區(qū)支持

Teradata營(yíng)銷(xiāo)副總裁Chad Meley表示，盡管供應(yīng)商正在努力開(kāi)發(fā)機(jī)器學(xué)習(xí)工具和框架，但開(kāi)源框架將繼續(xù)在該領(lǐng)域占據(jù)主導(dǎo)地位，因?yàn)檫@些框架集合了世界各地相關(guān)領(lǐng)域?qū)＜业闹腔邸?/p>

很多比較大的云供應(yīng)商也在積極提供自己的框架，比如谷歌、亞馬遜等，根據(jù)企業(yè)IT戰(zhàn)略展示，CIO可能更希望與特定的云供應(yīng)商保持一致，或者強(qiáng)調(diào)跨多個(gè)云和本地部署的可移植性。目前，谷歌支持的TensorFlow框架在市場(chǎng)中擁有***份額，緊隨其后的是Caffe、Keras、MXNet、CNTK和PyTorch。

此外，Spark提供的MLlib也是一個(gè)不錯(cuò)的選擇，它還提供了SQL、圖形處理和流處理等功能。Spark本身易于使用且擁有龐大的用戶群體，這確保了技術(shù)的穩(wěn)步提升，并且生命力十分頑強(qiáng)，可以確保在未來(lái)的很長(zhǎng)一段時(shí)間內(nèi)依舊存活。