5月12日消息，微軟和英特爾宣布合作，探索一種新的檢測和分類惡意軟件的方法。該項目被稱為STAMINA（STAtic Malware-as-Image Network Analysis），該項目依靠一種新技術(shù)，將惡意軟件樣本轉(zhuǎn)換為灰度圖像，然后對圖像進行掃描，以獲取特定于惡意軟件樣本的紋理和結(jié)構(gòu)模式。

此前，微軟團隊推出了一個新的深度學習加速平臺，其代號為腦波計劃（Project Brainwave），機器之心將簡要介紹該計劃。腦波計劃在深度學習模型云服務方面實現(xiàn)了性能與靈活性的巨大提升。微軟專為實時人工智能設計了該系統(tǒng)，它可以超低延遲地處理接收到的請求。云基礎架構(gòu)也可以處理實時數(shù)據(jù)流，如搜索查詢、視頻、傳感器流，或者與用戶的交互，因此實時 AI 變的越發(fā)重要。

近年，人工智能從概念逐步實現(xiàn)市場化，眾多該領域的國際巨頭企業(yè)將開源深度學習軟件框架作為打造開發(fā)及使用生態(tài)核心的核心。總體來說開源軟件框架在模型庫建設及調(diào)用功能方面具有相當共性，但同時又各具特點。業(yè)界目前主要有深度學習訓練軟件框架和推斷軟件框架兩大類別。

基于深度學習的訓練框架主要實現(xiàn)對海量數(shù)據(jù)的讀取、處理及訓練，主要部署在 CPU 及 GPU 服務集群，主要側(cè)重于海量訓練模型實現(xiàn)、系統(tǒng)穩(wěn)定性及多硬件并行計算優(yōu)化等方面的任務。目前主流的深度學習訓練軟件框架主要有 TensorFlow，MXNet，Caffe/2+PyTorch等。

TensorFlow 以其功能全面，兼容性廣泛和生態(tài)完備而著稱。該軟件框架由谷歌大腦（Google Brain）團隊主要支撐，實現(xiàn)了多 GPU上運行深度學習模型的功能，可以提供數(shù)據(jù)流水線的使用程序，并具有模型檢查，可視化和序列化的配套模塊。其生態(tài)系統(tǒng)已經(jīng)成為深度學習開源軟件框架大的活躍社區(qū)。

MXNet 以其優(yōu)異性能及全面的平臺支持而著稱。該軟件框架是由亞馬遜公司（Amazon）主導的深度學習平臺，目前已經(jīng)捐獻到阿帕奇軟件基金會（Apache）進行孵化。其主要特點包括：一是可以在全硬件平臺（包括手機端）運行，提供包括 Python、R 語言、Julia、C++、Scala、Matlab 以及 Javascript 的編程接口；二是具有靈活的編程模型，支持命令式和符號式編程模型；三是從云端到客戶端可移植，可運行于多 CPU、多 GPU、集群、服務器、工作站及移動智能手機；四是支持本地分布式訓練，在多 CPU/GPU 設備上的分布式訓練，使其可充分利用計算集群的規(guī)模優(yōu)勢。

Caffe/2+PyTorch 以其在圖像處理領域的深耕和易用性而著稱。該軟件框架是由臉書公司（Facebook）主導的平臺，目前 Caffe 1/2兩個項目已經(jīng)合并到 PyTorch 統(tǒng)一維護。在圖像處理領域 Caffe有著深厚的生態(tài)積累，結(jié)合 PyTorch 作為一個易用性很強的軟件框架，越來越受到數(shù)據(jù)科學家的喜愛。我國很多人工智能圖像處理團隊選擇PyTorch 作為主要工作平臺。

Microsoft Cognitive Toolkit （CNTK）以其在智能語音語義領域的優(yōu)勢及良好性能而著稱。該軟件框架由微軟公司于 2016 年基于 MIT協(xié)議開源，它具有速度快、可擴展性強、商業(yè)級質(zhì)量高以及 C++和Python 兼容性好等優(yōu)點，支持各種神經(jīng)網(wǎng)絡模型、異構(gòu)及分布式計算，依托于微軟的產(chǎn)品生態(tài)，在語音識別、機器翻譯、類別分析、圖像識別、圖像字幕、文本處理、語言理解和語言建模等領域都擁有良好應用。

PaddlePaddle 以其易用性和支持工業(yè)級應用而著稱。該軟件框架是百度旗下的深度學習開源平臺，是我國自主開發(fā)軟件框架代表。其大特點就是易用性，得益于其對算法的封裝，對于現(xiàn)成算法（卷積神經(jīng)網(wǎng)絡 VGG、深度殘差網(wǎng)絡 ResNet、長短期記憶網(wǎng)絡 LSTM 等） 的使用可以直接執(zhí)行命令替換數(shù)據(jù)進行訓練。非常適合需要成熟穩(wěn)定的模型來處理新數(shù)據(jù)的情況。

除上之外，業(yè)界及學術(shù)界還存在著多個機器學習及深度學習軟件框架，如 Scikit-learn，Theano 等。這些軟件框架在其專長領域仍然發(fā)揮重要作用。但由于各軟件框架的維護力量及發(fā)展思路不同，同時缺少貢獻人員，導致軟件框架發(fā)展水平略顯滯后，存在著包括算法庫擴展不及時，API 水平較低以及不支持分布式任務等問題。

責任編輯：gt