2017年1月，Torch7 团队开源了 PyTorch。据官网介绍，PyTorch 是一个 Python 优先的深度学习框架，能够在强大的 GPU 加速基础上实现张量和动态神经网络。PyTorch 是一个 Python 软件包，其提供了两种高层面的功能：1、使用强大的 GPU 加速的 Tensor 计算（类似 numpy）；2、构建于基于 tape 的 autograd 系统的深度神经网络。如有需要，你也可以复用你最喜欢的 Python 软件包（如 numpy、scipy 和 Cython）来扩展 PyTorch。目前这个版本是早期的 Beta 版，很快就会加入更多的功能。
2016 年 9 月，百度开源了深度学习框架 PaddlePaddle。2017年2月，百度又宣布实现了这一框架和集群管理系统（cluster management system）Kubernetes 的兼容，从而使 PaddlePaddle 成为了迄今为止唯一一个官方支持 Kubernetes 的框架。据百度研究官网介绍，这种兼容性将使得开发者可以很方便地在全球所有主要的云服务提供商（包括百度云和企业内部的集群（on-premise clusters））上训练大型的模型。该项目是由百度和 CoreOS 联合开发的；CoreOS 是 Kubernetes 的主要贡献者之一。
2017年4月，DeepMind 发布了 Sonnet，一个在 TensorFlow 之上用于构建复杂神经网络的开源库。这是继 DeepMind Lab 后，这家谷歌旗下的公司的又一次开源举措。Sonnet 的开源意味着 DeepMind 构建的模型可以更轻松地与所有开发者共享。Sonnet 专为 TensorFlow 设计，因此它不会阻止你访问 Tensor 和 variable_scope 这样的底层细节。用 Sonnet 编写的模型可以与原始 TensorFlow 代码，及其他高级库中的代码自由融合。Sonnet 的发布不是一次性的，它将持续更新 Github 以使其符合 DeepMind 的内部版本。
2017年4月，在今年的 F8 开发者大会上，Facebook 正式宣布开源其全新深度学习框架 Caffe2。据 Caffe2 官方博客介绍， Caffe2 是一个轻量级的、模块化的深度学习框架，并且在强调了便携性的同时保持了可扩展性和性能。该框架可以用在 iOS、Android 和树莓派上训练和部署模型；而且 Facebook 已经与英伟达、高通、英特尔、亚马逊和微软等公司展开了合作来实现对移动端的优化。
2017年6月，微软在其官方博客上撰文宣布全面开源 Microsoft Cognitive Toolkit 2.0，该版本版本包含了 beta 版本以来的数百个新功能，简化了深度学习流程，可在更广泛的人工智能生态系统之中实现无缝整合；此外它还支持 Keras、Java API、英伟达最新版本的深度学习 SDK 和高级 GPU 架构（比如英伟达 Volta）。在开发「Microsoft Cognitive Toolkit」（也被称作 CNTK）中扮演重要角色的合伙人工程经理（partner engineering manager）Chris Basoglu 说：「该工具包的 2.0 完整版本现已全面发行。」其有五大重要更新：1、支持 Keras；2、极快的 Halide 二进制卷曲；3、支持 Java API；4、新的 NuGet 软件包集；5、多漏洞修复。
2017年6月，在 Chainer 2.0.0 测试版推出近三个月之后，Chainer 发布了 v2.0.0正式版。Chainer 是一个灵活的神经网络框架，它的一个主要目标就是展现灵活性，允许我们用简单直观的方式编写出复杂的架构。Chainer 使用「通过运行定义（Define-by-Run）」的方式，即通过即时正向运算定义网络。更准确地说，Chainer 存储计算历史，而不是编程逻辑。这一方式可以帮助我们充分发挥 Python 中编程逻辑的力量。例如，Chainer 不需要任何技巧就可以将条件和循环加入网络定义中。通过运行定义的方式就是 Chainer 的核心理念。由于逻辑更接近于网络处理过程，这种方式让编写多 GPU 并行运算的优化方法变得简单。
在去年 12 月 18 日的腾讯大数据技术峰会暨 KDD China 技术峰会上，腾讯大数据宣布推出了面向机器学习的「第三代高性能计算平台」——Angel，并表示将于 2017 年开放其源代码。现在，2017 年已经大约过去了一半，Angel 1.0.0 也终于在 GitHub 完全发布。据介绍，Angel 是腾讯大数据部门发布的「第三代计算平台」，是由腾讯大数据与香港科技大学、北京大学联合使用 Java 和 Scala 语言开发的面向机器学习的高性能分布式计算框架。它采用了参数服务器架构，解决了上一代框架的扩展性问题，支持数据并行及模型并行的计算模式，能支持十亿级别维度的模型训练。
联系客服
