作为机器学习开发人员，您需要大量的机器学习资源，包括可以在项目中使用的工具。今天，我将介绍8种用于机器学习的开源工具，希望能帮助您提高工作效率。 1. Gradio Gradio具有用于创建基于Web的UI的工具，允许用户与模型进行实时交互。它包括几个示例项目，例如InceptionV3图像分类器的输入接口，MNIST手写识别模型等，以帮助您了解如何在自己的项目中使用Gradio。 2. ComposeCompose可以解决在机器学习模型中标记原始数据的更常见问题。您可以将Python用作数据来编写一组标记函数。它还可以在数据上设置各种变换和阈值，以简化标记过程。 3.CoreMLToolsCoreMLTools是一个Python软件包，它集成了许多Python机器学习库和工具。 TensorFlow，PyTorch，Keras，ONNX，Scikit-learn和其他模型可以转换。训练优化大小后，也可以量化其神经网络模型。 4. GoLearn GoLearn是一个用于GoogleGo语言的机器学习库。它更具可定制性，可以轻松扩展应用程序中的某些数据结构。此外，它可以加载和处理库中的数据，并以SciPy和R为模型进行建模。5. Cortex Cortex提供了一种方便的方法来使用Python，TensorFlow，PyTorch，Scikit-learn和其他模型来提供来自机器学习的预测服务楷模。通常，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），要分发的cortex.yaml文件以及用于安装必需的Python要求的require.txt文件。它的计算资源分配方法类似于Kubernetes中的方法，因此可以使用GPU或Amazon Inferentia ASIC来加快服务速度。 6. OryxOryx主要使用ApacheSpark和ApacheKafka对实时数据运行机器学习模型。该项目的2.0版已经过重新设计，其组件与lambda架构松散耦合，并且可以随时添加新算法和新算法抽象。 7. Featuretools Featuretools具有通过合成数据帧中的数据并构造高级Python对象来执行此操作的功能。它可以对从一个或多个数据帧提取的数据执行操作。它还具有全面操作所需的通用原语，因此用户无需自己滚动原语，这非常方便且无后顾之忧。 8. ShogunShogun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添加了对Microsoft Windows和Scala语言的本机支持。它声称比其他库更快更容易使用，这是它的巨大优势。负责编辑AJX