人工智能细分领域常用的开发软件是什么？

链接：https://www.zhihu.com/question/421105005

编辑：深度学习与计算机视觉

声明：仅做学术分享，侵删

机器学习、NLP、CV、SLAM、机器视觉、人脸识别、图像识别、语音识别、推荐系统、知识图谱等人工智能领域常用的开发软件各是什么？它们都有深度学习的功能吗？

作者：金天

https://www.zhihu.com/question/421105005/answer/1486192914

人工智能常用的开发软件？我猜测你指的是框架，当然也可能包括IDE，没关系，我将统统给予解答。

首先我认为人工智能已经变成了一个十分成熟的领域，就跟四五年前各种Java培训班，前端培训班，.Net C#等语言培训班一样，现在随处可见的人工智能速成班依旧重蹈着昔日开发领域的步伐。这并非偶然，都是市场驱动导致。

1年前我们还在苦恼一些好用的模型无法部署到更低端的芯片上，而现在我们已经有了很厉害的各个精度的量化算法，各大硬件的前向推理框架已经把速度做到了前所未有的快，甚至大家已经在思考如何做图优化，如何把深度学习模型当成是编译器来做等等; 2年前我们还在纠结用什么训练框架，我们还在纠结如何用tensorflow生成需要的数据格式，而现在，我们有超过五种深度学习训练框架可供选择，有超过数十个甚至更多的深度学习周边辅助库来帮助你完成目标...

可以说，深度学习的发展之快速，领域之深入，应用之广阔，可能远超乎你的想象，它正在成为新一代的技术基石，就如同上个世纪八十年代的DOS操作系统一样。

话说回来，就我们通常什么软件， 分为几个方面来阐述：这篇回答即是回答题猪的问题，同时也希望给后来者一个锦囊

• 深度学习模型的训练框架

这个你可以选择的很多，比如Pytorch，比如TensorFlow，比如PaddlePaddle，甚至是天元。这些都有各自的优点和缺点。在这里我只告诉大家最好的选择，至于为什么还需要大家自己去探索，或者自己去踩坑，当然这个最好永远是相对的，不是绝对的答案，我建议选择pytorch。

• 部署框架

我很建议每一位学习人工智能的同学，合理的选择自己的方向，在我看来，当你入门之后，摆在你面前的有两条路，一条路是学术路线，一条路是工业路线。不管你选择哪一条，我认为都有不错的前景。如果你思路开阔，喜欢阅读英文文献，我建议你深入的选择学术路线，那么就不需要过多的关注或者触碰部署方面的东西; 如果你喜欢实践，你不喜欢论文里面那些不告诉输入尺寸就对比时间的傻逼，你不喜欢做一个牛逼的东西但是用不起来，那你可以深入部署，往工程方面靠。不管怎样，这两个方向其实也不冲突，关键是看个人精力是否允许你可以两条腿走路。

说道部署框架，其实现在用的比较多的是透过ONNX的方式进行转换。这在很多框架里面支持的已经很好了，比如pytorch，就可以通过onnx部署到GPU上，通过TensorRT加速可以让网络模型提速很多，也可以通过ONNX转到ncnn或者mnn，部署到移动端不在话下。

这里面其实有一个很有意思的逻辑，大家可以想一下为什么需要有一个ONNX的角色存在？不得不说微软是很有先见之名的。随着ONNX的发展，它确实已经发展成了比较标准的网络模型定义格式。未来毫无疑问也会有更多的东西在这上面构建。比如以后会极大发展起来的深度学习编译器等。

总结来说，部署框架分为CPU和GPU，GPU毫无疑问，你不管哪个公司做的，哪个人做的，都做不过英伟达，毕竟芯片是人家做的。所以说这里面有一个很确定的第一性原理在里面。CPU的就八仙过海各显神通了。业内用的比较多得是ncnn和mnn。ARM旗下主导的Tengine也是一个不错的推理框架。

• 数据处理

鲁迅曾经说过：数据科学家80%的工作是在数据处理上。其实没有错的，数据的准备，清洗，标签制作，数据集格式的转换等等，你将会有很大一部分工作是做这个。

那么这一部分我也推荐一些工具给大家。首当其冲的，当然是自家的库了。

pip install alfred-py

这个库干什么的？有什么用？简单来说它就是，我直接贴github链接吧：

https://github.com/jinfagang/alfred

感兴趣的同学可以去看看。

当你需要可视化VOC的数据，coco的数据，你需要从voc转到coo，coco转到voc，voc转yolo，yolo转coco等等，你自己写脚本会累死的。有了他，你就可以找到归属感。

• IDE

最后说一下写代码不能不说IDE。到目前为止，我一般只用vscode。

作者：SunAries
https://www.zhihu.com/question/421105005/answer/1473432606

主流 TensorFlow 和 PyTorch 生态肯定少不了了。一般还会配合其他各种小工具，如 sklearn、opencv、numpy 等等，甚至还有按键精灵的。因为人工智能是一个大课题，不可能仅一到两个工具软件就能完解所有问题，所以工具也在发展，自己也要会写些辅助工具帮助研究。

作者：西涛 

https://www.zhihu.com/question/421105005/answer/1511837167

开发框架tensorflow ，pytorch，numpy，pandas，sklearn，开发IDE pycharm，vscode，jupytor notebook等

作者：marsggbo
https://www.zhihu.com/question/421105005/answer/1497062214

1.写代码

VSCode用来写代码

Vscode超级推荐的快捷键：Ctrl + D

比如一个文件里一共有10个 myname字符，你想把前面5个替换成 youname,那么你就可以首先鼠标选中第一个myname，然后按五次  Ctrl + D 后就可以选中前面5个myname，之后你只需要在键盘上写入youname ，就完成了替换。

其他快捷键想到再补充

2. 框架

框架推荐Pytorch，或者TensorFlow>=2.0

很多人都基于Pytorch做了封装，更进一步简化框架使用门槛，比如Pytorch-lightning，fast.ai，还有我自己写的裁缝库（各种封装哈哈哈，不过感觉挺好用的）torchline

3. 调试

调试代码很多人都用Pycharm，但是在服务器上你怎么办呢？这里强烈推荐 ipdb

pip install ipdb

用法很简单

首先运行py文件

python -m ipdb main.py

之后就会进入命令调试

• b main.py:15      这个表示在第15行设置一个断点

• b utils/other_file.py:66 同理你也可以在其他文件里设置断点，只要指定路径就好了

• clear 1   取消第一个断点

• c 运行到下一个断点

• n 运行到下一行代码

• s  这个命令可以进入某一个函数进行调试

• r 这个命令是直接跳转到 return 语句，一般用在函数里或者for循环语句

ipdb常用的命令就是这些，欢迎补充。

4. Windows下命令行工具

Cmder超级推荐，用过的都说好，比Windows自带的命令行窗口好用很多，同时支持Linux下的很多命令，用起来很顺滑。https://cmder.net/

5. 代码版本控制

Vscode的插件库里宝库非常多，这里推荐安装Git graph，有了这个后你不用再记忆那么多git命令了

6. Markdown写笔记

推荐小书匠软件，好看免费还好用

其他可选：

• 印象笔记

• OneNote

• 有道笔记

7. 论文阅读软件

还在用阿逗比的Acrobat或者福昕阅读器吗？学术论文用这些看的话各种知识点七零八落的，这个时候你需要。http://www.bookxnote.com/

是的，这个软件也是免费的哦，这个软件是Windows版本的Marginnote，关键目前是免费的，而且你可以通过搭配坚果云完成文档和笔记的云同步，简直香到不行，都舍不得推荐给你们，生怕用的人多开始收费。

8. 知识脑图

这里强推Xmind，懂的都懂哈哈哈

9. Visio替代品

Visio常用来话流程图，但是除非你下载盗版的，不然穷逼用不起，所以我当然还是推荐几个免费的。

坚果云自带这个功能，但是好像目前版本不支持导出PDF了，所以不爱ta了

ProcessOn在线流程图画图工具，免费用户好像可以创建10个文档，其实也是够用了

重磅来了！！！Drawio最好没有之一！！！

免费、功能强大、支持导出各种格式、还可以备份到谷歌云、GitHub、gitlab、本地等，好用到想哭啊。https://app.diagrams.net/

10. Mathpix

Mathpix可以非常方便地将图片中的数学公式转化成latex代码，写论文超级方便。每个月好像只有一定数量的免费使用次数，如果你使用频率很高，可以去闲鱼买账号https://mathpix.com/

11. Mobaxterm

跑实验肯定要用到服务器，这里强烈推荐MobaXterm，ssh和ftp等功能这个软件都有，用起来非常方便。

12. One Commander

超级好用的文件管理器，可以以树形结构展示不同层次文件夹的内容，不用在不同文件夹里来回切换了

☆ END ☆

如果看到这里，说明你喜欢这篇文章，请转发、点赞。微信搜索「uncle_pn」，欢迎添加小编微信「 mthler」，每日朋友圈更新一篇高质量博文。

↓扫描二维码添加小编↓