人工智能是一个正在迅速发展的领域，并日益成为一种主流。
要想跟上人工智能技术的发展，最好的方法就是学习深度学习中的新技术。
以下这 8 个开源工具，可以帮助你轻松实现深度学习。
1.TensorFlow这个强大的工具包开发于 2015 年，被誉为机器/深度学习中最容易使用和部署的工具之一。
TensorFlow 最初是由谷歌大脑团队创建的，用于处理其研究和生产目标，该项目构建了深度神经网络来执行自然语言处理、图像识别和翻译等任务。
由于它提供了大量的免费工具、库和社区资源，现在它的使用甚至被 Uber、Twitter 和 eBay 等公司广泛接受。
它可用于 Python、Haskell、C++、Java 甚至是 JavaScript。
2.KerasKeras 由 Python 编写，最初发布于 2015 年，是一种高级神经网络 API，旨在简化机器学习和深度学习，可以在 TensorFlow 或 Theano 之上部署。
Keras 以其高度的广泛性、模块化、易用的特点，通过简单的原型设计实现了快速的实验，在 CPU 和 GPU 上高效运行，这对研究工作至关重要。
3.PaddlePaddle并行分布式深度学习，又称 PaddlePaddle，具有易用、高效、灵活和可伸缩等特点。
这是百度研发的深度学习平台，为百度内部多项产品提供深度学习算法支持。
它在 2016 年向专业社区开源，具有深度学习的先进功能、端到端的开发工具包，受到制造业和农业部门的使用者青睐。
4.PyTorch这个开源工具包使用 Python 脚本语言，一般用于 自然语言处理和计算机视觉。
它具有强大的 GPU、内存使用效率和动态计算图，这使得它在协助开发 动态神经网络方面很受欢迎，并能够根据用户的要求建立图形和可视化。
5.Theano这个开源库发布于 2007 年，使用 Python 编写脚本，允许用户定义、定制和评估数学表达式，从而使深度学习模型的形成变得容易。
由于它是最古老的可自由使用的库之一，它激发了深度学习的发展，导致了高效的符号微分（symbolic differentiation）。
6.WekaWeka 最初是作为一个机器学习开源工具包开发的，它还具有深度学习包的功能，无论是在包管理、分类还是可视化方面，它都可以在一个简单的界面使用中进行更复杂的分析。
它是一个 Java 应用程序，但可以通过应用编程接口用于 R 或 Python。
因为它最初是为了一个教学平台而开发的，一般只限于教学工具或者小项目。
7.CaffeCaffe（Convolutional Architecture for Fast Feature Embedding，意即快速特征嵌入的卷积架构）是一个开源的深度学习网络，是为速度、表达和模块化设计的。
它使用了 C++，但也有一个 Python 接口。
它由伯克利人工智能研究团队于 2017 年开发并发布，它有一个精心设计的架构，良好的代码编写和快速的性能，可以快速实现工业部署。
9.TorchTorch 最初是在 2002 年作为机器学习库开发和发布的，它提供了一系列用于深度学习的算法，重点是 GPU，并提供 iOS 和 Android 平台支持。
它由脚本语言 LUA 和底层的 C 组件组成，使得它使用起来简单、高效、快速。
作者介绍：Rancho Labs，科技爱好者自媒体，培养年轻人的思维，使他们在编程/机器人技术/人工智能领域站稳脚跟。
原文链接：https://rancholabs.medium.com/open-source-tools-for-deep-learning-f4d68c2a39cd