在上期的谷歌、微軟、OpenAI 等巨頭的七大機器學習開源項目 看這篇就夠了，我們盤點了 TensorFlow，CNTK，SystemML，DeepMind Lab 等各大互聯網巨頭的開源平臺。本期，雷鋒網將帶領大家來看看誕生於民間（學界）的另外四大開源項目：
1. Theano
Theano 在深度學習框架中是祖師級的存在。它的開發始於 2007，早期開發者包括傳奇人物 Yoshua Bengio 和 Ian Goodfellow。
Theano 基於 Python，是一個擅長處理多維數組的庫（這方面它類似於 NumPy）。當與其他深度學習庫結合起來，它十分適合數據探索。它爲執行深度學習中大規模神經網絡算法的運算所設計。其實，它可以被更好地理解爲一個數學表達式的編譯器：用符號式語言定義你想要的結果，該框架會對你的程序進行編譯，來高效運行於 GPU 或 CPU。
它與後來出現的 Tensorflow 功能十分相似（或者應該說，Tensorflow 類似 Theano ），因而兩者常常被放在一起比較。它們本身都偏底層，同樣的，Theano 像是一個研究平臺多過是一個深度學習庫。你需要從底層開始做許多工作，來創建你需要的模型。比方說，Theano 沒有神經網絡的分級。
但隨着這些年的發展，大量基於 Theano 的開源深度學習庫被開發出來，包括 Keras, Lasagne 和 Blocks。這些更高層級的 wrapper API，能大幅減少開發時間以及過程中的麻煩。甚至，據雷鋒網(公衆號：雷鋒網)所知，很少開發者會使用「裸奔」的 Theano，多數人需要輔助的 API。順便說一句，Theano 是一整套生態系統，別隻用它裸奔，然後抱怨不好用。
在過去的很長一段時間內，Theano 是深度學習開發與研究的行業標準。而且，由於出身學界，它最初是爲學術研究而設計，這導致深度學習領域的許多學者至今仍在使用 Theano。但隨着 Tensorflow 在谷歌的支持下強勢崛起，Theano 日漸式微，使用的人越來越少。這過程中的標誌性事件是：創始者之一的 Ian Goodfellow 放棄 Theano 轉去谷歌開發 Tensorflow。
因此，資深一些的開發者往往認爲，對於深度學習新手，用Theano 練練手並沒有任何壞處。但對於職業開發者，還是建議用 Tensorflow。
優點：
Python + NumPy 的組合
使用計算圖
RNN 與計算圖兼容良好
有 Keras 和 Lasagne 這樣高層的庫
不少開發者反映，它的學習門檻比Tensorflow 低
缺點：
本身很底層
比 Torch 臃腫
不支持分佈式
有的錯誤信息沒什麼用
大模型的編譯時間有時要很久
對事先訓練過的模型支持不足
用的人越來越少
2. Caffe
這又是一個祖師級的深度學習框架，2013 年就已問世。
它的全稱是 「Convolution Architecture For Feature Extraction」，意爲「用於特徵提取的卷積架構」，很明白地體現了它的用途。Caffe 的創始人，是加州大學伯克利分校的中國籍博士生賈揚清。當時賈在伯克利計算機視覺與學習中心做研究。博士畢業後，他先後在谷歌和 Facebook 工作。
在 AI 開發者圈子中，Caffe 可以說是無人不知、無人不曉。據 GitHub 最新的機器學習項目熱度排名，Caffe 僅位列 Tensorflow 之後，雄踞第二。它是一個被廣泛使用的機器視覺庫，把 Matlab 執行快速卷積網絡的方式帶到 C 和 C++。雖然 Caffe 被部分開發者看做是通用框架，但它的設計初衷是計算機視覺——並不適於其他深度學習應用，比如文字、語音識別和處理時間序列數據。
Caffe 的主要用途：利用卷積神經網絡進行圖像分類。這方面它代表了業內一流水平，是開發者的首選。
說到 Caffe，就不得不提 Model Zoo。後者是在 Caffe 基礎上開發出的一系列模型的匯聚之地。因此，開發者使用 Caffe 最大的好處是：能在 Model Zoo 海量的、事先訓練好的神經網絡中，選擇貼近自己使用需求的直接下載，並立刻就能用。
就雷鋒網所知，這些模型中有很多是世界一流的。有很多它們的教程：
Alex’s CIFAR-10 tutorial with Caffe
Training LeNet on MNIST with Caffe
ImageNet with Caffe
業內人士普遍認爲，Caffe 適合於以實現基礎算法爲主要目的的工業應用，有利於快速開發。但對於處理較特殊的任務，它存在靈活性不足的問題——爲模型做調整常常需要用 C++ 和 CUDA，雖然 Python 和 Matlab 也能做些小調整。
優點：
非常適合前饋神經網絡和圖像處理任務
非常適於利用現有神經網絡
不寫代碼也能訓練模型
Python 交互界面做得不錯
缺點：
需要 C++ 和 CUDA 來編寫新 GPU 層級。
在遞歸神經網絡上表現不佳
對於大型神經網絡，它十分繁瑣（GoogLeNet, ResNet）
沒有商業支持
3. Torch
相比其他開源框架，Torch 是一個非主流。
沒錯，說的就是它的開發語言：基於1990 年代誕生於巴西的 Lua，而非機器學習界廣泛採用的 Python。其實 Lua 和Python 都屬於比較容易入門的語言。但後者明顯已經統治了機器學習領域，尤其在學界。而企業界的軟件工程師最熟悉的是 Java，對 Lua 也比較陌生。這導致了 Torch 推廣的困難。因此，雖然 Torch 功能強大，但並不是大衆開發者的菜。
那麼它強大在哪裏？
首先，Torch 非常適用於卷積神經網絡。它的開發者認爲，Torch 的原生交互界面比其他框架用起來更自然、更得心應手。
其次，第三方的擴展工具包提供了豐富的遞歸神經網絡（ RNN）模型。
因爲這些強項，許多互聯網巨頭開發了定製版的 Torch，以助力他們的 AI 研究。這其中包括 Facebook、Twitter，和被谷歌招安前的 DeepMind。
與 Caffe 相比，在 Torch 裏定義一個新層級比它要容易，因爲你不需要寫 C++ 代碼。和 TensorFlow 和 Theano 比起來，Torch 的靈活度更高，因爲它是命令式的；而前兩者是陳述式的（declarative），你必須 declare 一個計算圖。這使得在 Torch 上進行束搜索（beam search）這樣的操作要比它們容易得多。
Torch 的熱門應用：在增強學習領域，用卷積神經網絡和代理處理圖像問題。
興趣主要在增強學習的開發者， Torch 是首選。
優點：
靈活度很高
高度模塊化
容易編寫你自己的層級
有很多訓練好的模型
缺點：
需要學 Lua
通常需要自己寫訓練代碼
不適於循環神經網絡
沒有商業支持
4. SciKit-learn
SciKit-learn 是老牌的開源 Python 算法框架，始於 2007 年的 Google Summer of Code 項目，最初由 David Cournapeau 開發。
它是一個簡潔、高效的算法庫，提供一系列的監督學習和無監督學習的算法，以用於數據挖掘和數據分析。SciKit-learn 幾乎覆蓋了機器學習的所有主流算法，這爲其在 Python 開源世界中奠定了江湖地位。
它的算法庫建立在 SciPy (Scientific Python) 之上——你必須先安裝 SciPy 才能使用 SciKit-learn 。它的框架中一共包括了：
NumPy: 基礎的多維數組包
SciPy: 科學計算的基礎庫
Matplotlib: 全面的 2D/3D 測繪
IPython: 改進的交互控制器
Sympy: 符號數學
Pandas:數據結構和分析
它命名的由來：SciPy 的擴展和模塊在傳統上被命名爲 SciKits。而提供學習算法的模組就被命名爲 scikit-learn。
它與 Python 世界另一大算法框架——TensorFlow 的主要區別是：TensorFlow 更底層。而 SciKit-learn 提供了執行機器學習算法的模塊化方案，很多算法模型直接就能用。
優點：
經過篩選的、高質量的模型
覆蓋了大多數機器學習任務
可擴展至較大的數據規模
使用簡單
缺點：
靈活性低
5. MXNet
提到出身學界的開源框架，就不得不提 MXNet。不過，因爲亞馬遜已將其作爲御用平臺，因而上期的盤點（谷歌、微軟、OpenAI 等巨頭的七大機器學習開源項目 看這篇就夠了）中已經對其作了介紹。有興趣的讀者請戳鏈接。
【兼職召集令！】
如果你對未來充滿憧憬，喜歡探索改變世界的科技進展，look no further！
我們需要這樣的你：
精通英語，對技術與產品感興趣，關注人工智能學術動態的蘿莉&萌妹子&技術宅；
文字不求妙筆生花，但希望通俗易懂；
在這裏，你會收穫：
一羣來自天南地北、志同道合的小夥伴；
前沿學術科技動態，每天爲自己充充電；
更高的生活品質，翻翻文章就能掙到零花錢；
有意向的小夥伴們把個人介紹/簡歷發至 guoyixin@leiphone.com，如有作品，歡迎一併附上。
