1. Gradio
Gradio有用于创建基于Web的UI的工具，让用户能与模型进行实时交互。它包括几个示例项目，比如Inception V3图像分类器的输入接口、MNIST手写识别模型等，帮助了解如何在自己的项目中使用Gradio。
2. Compose
Compose能解决机器学习模型中比较常见的标记原始数据的问题，可以用Python为数据，编写一组标记功能，还能在数据上设置各种变换和阈值，简化标记的过程。
3. Core ML Tools
Core ML Tools是Python包，集成了很多Python机器学习库和工具，TensorFlow，PyTorch，Keras，ONNX，Scikit-learn等模型皆能转换，它的神经网络模型还可以通过训练后量化，而优化大小。
4. GoLearn
GoLearn是针对Google Go语言的机器学习库，它的可定制性更高，能够在应用程序中轻松扩展某些数据结构。此外它能在库中加载和处理数据，并在SciPy和R之后进行了模式化。
5. Cortex
Cortex提供了简便方法，使用Python和TensorFlow，PyTorch，Scikit-learn等模型，提供来自机器学习模型的预测服务。一般Cortex软件包只有几个文件，包括核心Python逻辑，描述要使用的模型，要分配的cortex.yaml文件，及用于安装所需Python要求的require.txt文件。它的计算资源的分配方式与在Kubernetes中差不多，所以能用GPU或Amazon Inferentia ASIC加快服务速度。
6. Oryx
Oryx主要使用Apache Spark和Apache Kafka，在实时数据上运行机器学习模型。版本2.0对该项目进行了重新设计，它的组件以lambda架构松散耦合，能随时添加新算法和算法的新抽象。
7. Featuretools
Featuretools有通过综合数据帧中的数据，而构建的高级Python对象来执行此操作的功能，可以针对从一个或多个数据帧中提取的数据执行操作。它还有综合操作所需的通用原语，使得用户不用自己滚动原语，很方便省心。
8. Shogun
Shogun用C ++编写，可以与Java，Python，C#，Ruby，R，Lua，Octave和Matlab一起使用。最新的主要版本6.0.0增加了对微软Windows和Scala语言的本机支持，它声称比其他库更快、更容易使用，这是它很大的优点。
