Frameworks erleichtern den KI-Einstieg

Übersicht: Frameworks für Künstliche Intelligenz (Teil 2)

Frameworks für Künstliche Intelligenz (Teil 2)
Anbieter	Lösung(en)	Schwerpunkte	Besonderheiten
Intel Nervana	Intel Neon	DL-Framework auf Basis von Python; Open Source; von Intels Unternehmensbereich Nervana entwickelt	Anwendungsfelder u. a. Bild- und Sprachanalyse, Videospiele, Natural Language Processing; optimiert für Intel-Prozessorarchitektur (Xeon); Unterstützung von Modellen wie Convolutional Neural Networks, RNNs, LSTM
Keras	Keras	DL; Open-Source-Bibliothek mit Schnittstellen-Funktion zu ML-/DL-Frameworks; Ziel: Deep-Learning-Experimente, die schnelle Resultate erbringen	Unterstützung von TensorFlow, Theano, Microsoft Cognitive Toolkit und der Programmiersprachen Python und R; für Convolutional Neural Networks und Recurrent Neural Networks; einfache Handhabung, daher auch für Einsteiger tauglich
Mathworks	Matlab Deep Learning Toolbox	DL-Framework für den Entwurf und die Implementierung von tiefen neuronalen Netzen	Anwendungsfelder u. a. Klassifikation und die Regression für Bild-, Zeitreihen- und Textdaten; Unterstützung von CNNs und LSTM-Netzen; Nutzung vortrainierter Modelle von TensorFlow und Caffe; vergleichbare Toolbox für ML verfügbar
Microsoft	Azure AI	DL- und KI-Services auf Microsofts Cloud-Plattform Azure	Anwendungsfelder: Bild-und Sprachanalyse, maschinelle Textübersetzung; kombiniert Angebote von Microsoft wie Machine Learning und Knowledge Mining mit Azure Search
Microsoft	Azure Machine Learning	Cloudbasierter ML-Service von Microsoft auf Basis von Python; Bereitstellung über Azure	Ziel: Erstellen und Trainieren von ML-Modellen; Unterstützung von Tools wie Visual Studio Code (VS Code), PyCharm, Jupyter und Azure Databricks; Unterstützung von ML- und DL-Frameworks wie scikit-learn, PyTorch, TensorFlow
Microsoft	CNTK	DL-Toolkit auf Open-Source-Basis für umfangreiche Deep-Learning-Projekte	Unterstützung von Python, C++, C#, Java; für Convolutional Neural Networks und Recurrent Neural Networks; wird in Skype, Xbox und beim Sprachassistenten Cortana verwendet; unterstützt Apache Spark; Einbindung in Microsoft-Cloud-Plattform Azure; hoher Optimierungsgrad und geringer Ressourcenbedarf
Microsoft DMTK	DMTK	Verteiltes ML-Toolkit auf Basis von C++; Open Source; stammt von Microsoft	DMTK Framework als Basis für Parallelisierung von Daten und Aufbau hybrider Datenstrukturen sowie Training von Modellen; schnelle und skalierbare Modelle; Multisense-Word-Embedding-Funktion; vor allem für die Analyse großer Datenbestände (Big Data)
Nvidia	Deep Learning SDK	Software Development Kit mit Tools und Libraries für Entwicklung von DL- und ML- Anwendungen auf Basis von Grafikprozessoren von Nvidia	Beispiele: Nvidia NCCL für optimierten Zugriff von Frameworks auf Systeme mit mehreren, parallel arbeitenden GPUs; Deep Learning Primitives (cuDNN) mit Komponenten für DL-Anwendungen; Deep Learning GPU Training System (DIGITS) zum Trainieren von DL-Netzen für Aufgaben wie Bilderkennung und Identifizieren von Objekten
PaddlePaddle	PaddlePaddle	DL-Frameworks auf Basis von Python; entwickelt vom chinesischen Unternehmen Baidu; Open Source	Basis: Deep Learning Programming Language; Anwendungsfelder u. a. komplexe Berechnungen, Bild- und Sprachanalyse; Visualisierungs-Tool für DL vorhanden
PyTorch	PyTorch	DL-Framework; Nachfolger von Torch auf Basis von Python; Open Source; Konkurrent von TensorFlow; von Facebook entwickelt	Schwerpunkt auf schneller und effizienter Entwicklung von DL-Modellen; einfache Modellierung; Unterstützung bekannter Debugging-Tools wie PyCharm und ipdb; viele vortrainierte Modelle; Support für Text, Natural Language Processing, Bildanalyse und verstärkendes Lernen
scikit-learn	scikit-learn	ML-Framework auf Basis von Python; Open Source	Funktionen u. a. Regressionsanalyse, Clustering, Klassifizierung von Objekten; Einsatz in Spam-Erkennung, Bildanalyse, Preisvergleich, Segmentierung von Kundengruppen; große und aktive Community; weite Verbreitung
Skymind	DL4J	DL-Framwework auf Basis von Java und Scala; Open Source	Anwendungsfelder u. a. Bildanalyse, Natural Language Processing, Text-Mining; Unterstützung von Convolutional Neural Networks (CNN), Recurrent Neural Networks (RNN), Long Short-Term Memory (LTSM); hohe Performance und Skalierbarkeit; Support von Apache Hadoop und Spark
TensorFlow	TensorFlow	Open-Source-Plattform für ML; Schwerpunkt: schnelles und effizientes Training von DL-Modellen; als Ersatz für Theano konzipiert	Einfaches Modellierungsverfahren; viele vortrainierte Modelle; Unterstützung diverser Programmiersprachen wie Python, C++ und R; Anwendungsfelder u. a. Sprach-, Text- und Bilderkennung, Zeitreihenanalysen, Videoanalyse; verteiltes Training möglich; laut einigen Fachleute niedrigere Performance als CNTK und MXNET sowie anspruchsvolles Debugging

Frameworks für Künstliche Intelligenz (Teil 2)
Anbieter	Lösung(en)	Schwerpunkte	Besonderheiten
Intel Nervana	Intel Neon	DL-Framework auf Basis von Python; Open Source; von Intels Unternehmensbereich Nervana entwickelt	Anwendungsfelder u. a. Bild- und Sprachanalyse, Videospiele, Natural Language Processing; optimiert für Intel-Prozessorarchitektur (Xeon); Unterstützung von Modellen wie Convolutional Neural Networks, RNNs, LSTM
Keras	Keras	DL; Open-Source-Bibliothek mit Schnittstellen-Funktion zu ML-/DL-Frameworks; Ziel: Deep-Learning-Experimente, die schnelle Resultate erbringen	Unterstützung von TensorFlow, Theano, Microsoft Cognitive Toolkit und der Programmiersprachen Python und R; für Convolutional Neural Networks und Recurrent Neural Networks; einfache Handhabung, daher auch für Einsteiger tauglich
Mathworks	Matlab Deep Learning Toolbox	DL-Framework für den Entwurf und die Implementierung von tiefen neuronalen Netzen	Anwendungsfelder u. a. Klassifikation und die Regression für Bild-, Zeitreihen- und Textdaten; Unterstützung von CNNs und LSTM-Netzen; Nutzung vortrainierter Modelle von TensorFlow und Caffe; vergleichbare Toolbox für ML verfügbar
Microsoft	Azure AI	DL- und KI-Services auf Microsofts Cloud-Plattform Azure	Anwendungsfelder: Bild-und Sprachanalyse, maschinelle Textübersetzung; kombiniert Angebote von Microsoft wie Machine Learning und Knowledge Mining mit Azure Search
Microsoft	Azure Machine Learning	Cloudbasierter ML-Service von Microsoft auf Basis von Python; Bereitstellung über Azure	Ziel: Erstellen und Trainieren von ML-Modellen; Unterstützung von Tools wie Visual Studio Code (VS Code), PyCharm, Jupyter und Azure Databricks; Unterstützung von ML- und DL-Frameworks wie scikit-learn, PyTorch, TensorFlow
Microsoft	CNTK	DL-Toolkit auf Open-Source-Basis für umfangreiche Deep-Learning-Projekte	Unterstützung von Python, C++, C#, Java; für Convolutional Neural Networks und Recurrent Neural Networks; wird in Skype, Xbox und beim Sprachassistenten Cortana verwendet; unterstützt Apache Spark; Einbindung in Microsoft-Cloud-Plattform Azure; hoher Optimierungsgrad und geringer Ressourcenbedarf
Microsoft DMTK	DMTK	Verteiltes ML-Toolkit auf Basis von C++; Open Source; stammt von Microsoft	DMTK Framework als Basis für Parallelisierung von Daten und Aufbau hybrider Datenstrukturen sowie Training von Modellen; schnelle und skalierbare Modelle; Multisense-Word-Embedding-Funktion; vor allem für die Analyse großer Datenbestände (Big Data)
Nvidia	Deep Learning SDK	Software Development Kit mit Tools und Libraries für Entwicklung von DL- und ML- Anwendungen auf Basis von Grafikprozessoren von Nvidia	Beispiele: Nvidia NCCL für optimierten Zugriff von Frameworks auf Systeme mit mehreren, parallel arbeitenden GPUs; Deep Learning Primitives (cuDNN) mit Komponenten für DL-Anwendungen; Deep Learning GPU Training System (DIGITS) zum Trainieren von DL-Netzen für Aufgaben wie Bilderkennung und Identifizieren von Objekten
PaddlePaddle	PaddlePaddle	DL-Frameworks auf Basis von Python; entwickelt vom chinesischen Unternehmen Baidu; Open Source	Basis: Deep Learning Programming Language; Anwendungsfelder u. a. komplexe Berechnungen, Bild- und Sprachanalyse; Visualisierungs-Tool für DL vorhanden
PyTorch	PyTorch	DL-Framework; Nachfolger von Torch auf Basis von Python; Open Source; Konkurrent von TensorFlow; von Facebook entwickelt	Schwerpunkt auf schneller und effizienter Entwicklung von DL-Modellen; einfache Modellierung; Unterstützung bekannter Debugging-Tools wie PyCharm und ipdb; viele vortrainierte Modelle; Support für Text, Natural Language Processing, Bildanalyse und verstärkendes Lernen
scikit-learn	scikit-learn	ML-Framework auf Basis von Python; Open Source	Funktionen u. a. Regressionsanalyse, Clustering, Klassifizierung von Objekten; Einsatz in Spam-Erkennung, Bildanalyse, Preisvergleich, Segmentierung von Kundengruppen; große und aktive Community; weite Verbreitung
Skymind	DL4J	DL-Framwework auf Basis von Java und Scala; Open Source	Anwendungsfelder u. a. Bildanalyse, Natural Language Processing, Text-Mining; Unterstützung von Convolutional Neural Networks (CNN), Recurrent Neural Networks (RNN), Long Short-Term Memory (LTSM); hohe Performance und Skalierbarkeit; Support von Apache Hadoop und Spark
TensorFlow	TensorFlow	Open-Source-Plattform für ML; Schwerpunkt: schnelles und effizientes Training von DL-Modellen; als Ersatz für Theano konzipiert	Einfaches Modellierungsverfahren; viele vortrainierte Modelle; Unterstützung diverser Programmiersprachen wie Python, C++ und R; Anwendungsfelder u. a. Sprach-, Text- und Bilderkennung, Zeitreihenanalysen, Videoanalyse; verteiltes Training möglich; laut einigen Fachleute niedrigere Performance als CNTK und MXNET sowie anspruchsvolles Debugging

< Vorherige Seite

Seite 7/9

Nächste Seite >

Auf einer Seite lesen

Autor(in) Bernd Reder