面向Linux的十大开源人工智能工具

目前，人工智能是科技界不断发展的领域之一，主要侧重于构建软硬件，以便在医疗、教育、安全、制造、银行及其他众多领域解决日常生活中的挑战。我们在本文中将介绍几款面向Linux生态系统的顶尖开源人工智能工具。

下面列出了为支持人工智能设计和开发的诸多平台，你可以在Linux及其他许多操作系统上使用。切记：介绍顺序不分先后。

1.DeepLearningForJava(Deeplearning4j)

Deeplearning4j是一种商用级、开源、即插即用的分布式深度学习库，面向Java和Scala编程语言。它是专门为商业相关应用设计的，并与分布式CPU和GPU上的Hadoop和Spark整合起来。

DL4J采用Apache2.0许可证发布，它提供了GPU支持，以便在AWS上进行扩展，并且适用于微服务架构。

主页链接：http://deeplearning4j.org/

2.Caffe

是一种模块化、表达式的深度学习框架，以速度见长。它采用BSD2-Clause许可证发布，已经支持研究、初创公司原型以及视觉、速度和多媒体之类的工业应用等领域的几个社区项目。

主页链接：http://caffe.berkeleyvision.org/

3.H20

是一种开源、快速、可扩展的分布式机器学习框架，另外该框架还有各种各样的算法。它支持更智能化的应用，比如深度学习、梯度提升、随机森林、广义线性建模(比如逻辑回归和弹性网络)以及其他更多。

这是一种面向企业的人工智能工具，用于利用数据做决策，它让用户能够使用更快速、更准确的预测建模，从数据获取洞察力。

主页链接：http://www.h2o.ai/

4.MLli

是一种开源、易于使用、高性能的机器学习库，是作为ApacheSpark的一部分开发的。它实际上易于部署，可以在现有的Hadoop集群和数据上运行。

MLlib还随带一系列算法，可用于分类、回归、推荐、聚类、生存分析及更多方面。重要的是，它可以用在Python、Java、Scala和R等编程语言中。

主页链接：https://spark.apache.org/mllib/

5.ApacheMahout

Mahout是一种开源框架设计工具，用于构建可扩展的机器学习应用程序，它拥有如下三大功能：

提供简单、可扩展的编程工作环境。提供诸多预包装算法，支持Scala+ApacheSpark、H20以及ApacheFlink。包括Samaras，这是一种向量数学试验型工作环境，拥有类似R的语法。

主页链接：http://mahout.apache.org/

6.开放神经网络库(OpenNN)

OpenNN也是一种用C++编写的开源类库，面向深度学习，它用于构建神经网络。然而，它最适合经验丰富的C++程序员以及机器学习技能出色的人员。它的特点就是拥有深度架构和高性能。

主页链接：http://www.opennn.net/

7.Oryx2

Oryx2是最初的Oryx项目的延续，它是在ApacheSpark和ApacheKafka上开发的，重新设计了Lambda架构，不过专门面向实时机器学习。

这是个应用开发平台，还随带协作过滤、分类、回归和聚类等方面的某些应用程序。

主页链接：http://oryx.io/

8.OpenCyc

OpenCyc是一种开源门户网站，通向世界上最大、最全面的一般知识库和常识推理引擎。它包括大量的Cyc术语，这些术语用一种精确设计的本体来排列，支持这些领域的应用：

丰富领域建模特定领域专家系统文本理解语言数据整合、人工智能游戏及其他

主页链接：http://www.cyc.com/platform/opencyc/

9.Apache SystemML

SystemML是一种面向机器学习的开源人工智能平台，最适合大数据。主要功能特性：支持类似R和Python的语法，专注于大数据，专门为高级数学设计。主页上详细解释了其工作原理，包括视频演示，作了明确的讲解。

有几个方法可以使用它，包括ApacheSpark、ApacheHadoop、Jupyter和ApacheZeppelin。一些重要的使用场合包括汽车、机场交通和社群金融。

主页链接：http://systemml.apache.org/

10.NuPIC

NuPIC是一种机器学习开源框架，基于分层时间记忆(HTM)，这是一种大脑皮层理论。用NuPIC集成的HTM程序是为分析实时流数据而实践的，它能学习数据中基于时间的模式，预测当前值，并且发现任何不规则的地方。

它的重要功能特性包括如下：

持续在线学习时间和空间模式实时流数据预测和建模强大的异常检测分层时间记忆

主页链接：http://numenta.org/

由于人工智能领域的研究方兴未艾，我们势必会看到更多的工具涌现出来，有助于让这个技术领域大获成功，尤其是用于克服日常的科学挑战，并且满足教学用途。