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。