Veles是一套面向深层学习应用程序的分布式平台，而且与TensorFlow与DMTK一样，它也由C++编写而成——不过它利用Python在不同节点之间执行自动化与协作任务。相关数据集可在被供给至该集群之前经过分析与自动标准化调整，另外其还具备REST API以允许将各已训练模型立即添加至生产环境当中(假设大家的硬件已经准备就绪)。

　　Veles并非单纯利用Python作为其粘合代码。IPython(如今已被更名为Jupyter)数据可视化与分析工具能够对来自Veles集群的结果进行可视化处理与发布。三星公司希望能够将该项目以开源形式发布，从而推进其进一步发展——例如面向Windows与Mac OS X。

　　◆ ◆ ◆

　　Brainstorm

　　作为瑞士卢加诺博士生Klaus Greff于2015年开发的技术成果，Brainstorm项目的目标在于“帮助深层神经网络实现高速、灵活与趣味性。”目前其已经包含有一系列常见神经网络模型，例如LSTM。

　　Brainstorm采用Python代码以提供两套“hander”，或者称之为数据管理API——其一来自Numpy库以实现CPU计算，其二通过CUDA使用GPU资源。大部分工作由Python脚本完成，所以各位没办法指望其提供丰富的GUI前端——大家需要自己动手接入相关界面。不过从长期规划角度看，其能够使用“源自多种早期开源项目的学习经验”，同时利用“能够与多种平台及计算后端相兼容的新的设计元素。”

　　◆ ◆ ◆

　　mlpack 2

　　mlpack这套基于C++的机器学习库最初诞生于2011年，其设计倾向为“可扩展性、速度性与易用性，”该库构建者们指出。用户可以通过命令行可执行缓存运行mlpack以实现快速运行、“黑盒”操作或者通过C++ API完成其它更为复杂的任务。

　　其2.0版本则拥有一系列重构与新特性，其中包括多种新算法，并对现有算法加以修改以提升运行速度或者缩小其体积。举例来说，它能够将Boost库的随机数生成器指向C++ 11的原生随机功能。

　　mlpack的固有劣势在于其缺乏除C++之外的任何其它语言绑定能力，这意味着从R语言到Python语言的各类其他用户都无法使用mlpack——除非其他开发者推出了自己的对应语言软件包。目前该项目正积极添加对MatLab的支持能力，不过此类项目一般更倾向于直接面向各承载机器学习任务的主流环境。

　　◆ ◆ ◆

　　Marvin

　　作为另一套刚刚诞生的方案，Marvin神经网络框架为Princeton Vision集团的开发成果。它可谓“为hack而生”，因为项目开发者们在其说明文档当中直接做出这样的描述，且仅仅依赖于C++编写的数个文件及CUDA GPU框架即可运行。尽管其代码本身的体积非常小巧，但其中仍然存在相当一部分能够复用的部分，并可以将pull请求作为项目自身代码进行贡献。

　　◆ ◆ ◆

　　Neon

　　Nervana公司专门构建自己的深层学习硬件与软件平台，其推出了一套名为Neon的深层学习框架，并将其作为开源项目。该项目利用可插拔模块以支持高强度负载在CPU、GPU或者Nervana自有定制化硬件上运行。

　　Neon主要由Python语言编写而成，C++为其编写了多条代码片段并带来可观的运行速度。这样的特性让Neon立即成为各Python开发之数据科学场景或者其它绑定Python之框架的理想解决方案。

　　原文链接：

　　往期精彩文章推荐，点击图片可阅读

　　机器学习：用初等数学解读逻辑回归