本文经 AI 新媒体量子位（公众号 ID:QbitAI）授权转载，转载请联系出处。

一份 AI 创业公司最佳「开发工具」指南，火了。

Reddit 上，一份来自 41 家创业公司的调研答案，热度已达471。

除了比较流行的开发环境 Jupyter 以外，还出现了这样一个身影——Deepnote。

小团队制作，堪称可挑战「Jupyter Notebook」的 Deepnote，目前已经有少数公司在使用了。

网友纷纷表示要去试试。

于是进一步吸引了 Deepnote 开发者亲自过来答疑。

所以这究竟是一份怎样的指南？还有哪些其他有意思的开发工具？

调研结果

这份调查来自一家轻量工具集成网站neptune.ai，他们采访了 41 家 AI 初创公司。

调查结果如下：

软件开发设置

• IDE：Jupyter Lab+NB 扩展（少数用 Deepnote），Colab 和 PyCharm、VSCode（R 用户喜欢 R studio）
• Github
• Python（大多数），R（部分）

机器学习框架

• 处理数据和可视化：Pandas + Matplotlib + Plotly
• 经典算法：Sklearn + XGBoost
• 深度学习：Tensorflow + Keras 或 Pytorch

MLOps

• 编排：Kubeflow，Airflow，Amazon Sagemaker，Azure
• 模型包装 / 服务：Kubeflow，MLflow，Amazon Sagemaker
• 模型从训练到推理的剖析和优化：pytest-benchmark、MLperf
• 实验管理：MLflow，Comet，Neptune

具体情况，是这样的。

软件开发设置

开发环境是每个团队工作流程的基础，而对于 IDE，很多团队都喜欢 Jupyter Notebooks 和 Jupyter Lab 及其 NB 扩展。

而有些团队则是使用标准软件开发 IDE，提及最多的是 Pycharm 和 VSCode。

使用 Pycharm 的一家公司 Hotelmize 称，这是最好的 Python IDE。

而使用 VSCode 的公司则为其正名。

VSCode 易于与 Azure 连接，并提供了许多基于 ML 的扩展。

对于使用 R 语言的团队来说，RStudio 是他们最好的选择。

还有一项工具——GitHub。我想这对每个 AI 团队都是福音，初创公司更是。

调查结果正是如此，GitHub 因为其免费、强大的版本控制系统、共享功能，对团队来说都是超级有用的。

对于最流行的编程语言里，Python、R 语言上榜，竟还有一个 Clojure。

值得一提的是，对于环境 / 基础设施的设置方面，有一些团队给出了以下建议：

• AWS作为部署平台（Simple Report）。
• Anaconda是我们运行 ML 实验的首选工具，因为它的活代码功能，可以用来将软件代码、计算输出、解释性文本和多媒体资源结合在一个文档中。（Scanta）
• Redis作为内存中的数据结构存储，由于它支持不同类型的抽象数据结构，如字符串、列表、映射、集、排序集、HyperLogLogs、位图、流和空间索引等，因此 Redis 作为内存中的数据结构存储占据了主导地位。（Scanta）
• Snowflake 和 Amazon S3 用于数据存储。（Hypergiant）
• Spark-pyspark—- 非常简单的 api，用于大数据的分配作业。（Hotelmize）

机器学习框架

机器学习框架也必不可少。而这一部分，选择的工具有很多。

在处理表格数据方面，最多提及的是Pandas。

Sigma Polaris CEO 表示，Pandas 可能是最有价值的工具之一，尤其是在与外部开发人员合作进行各种项目时。所有的数据以数据框架的形式存在，协作更加流畅，减少了不必要的麻烦。

提到可视化，Matplotlib、Plotly是最多的选择。

还有公司推荐了 Dash，它是一个在 Plotly 图表为基础建立的交互式仪表盘的工具，这对于用户来说更加友好。

对于标准的机器学习问题，大多数团队使用 Scikit-Learn 和 XGBoost，尤其是Scikit-Learn。

iSchoolConnect 公司就解释道：

Scikit-Learn 是机器学习研究人员、工程师和开发人员最常用的工具箱之一。你可以轻松获得你想要的东西，这一点让人惊叹不已!

对于深度学习框架而言，PyTorch、Tensorflow+Keras 很受团队欢迎。

而在具体的方向上，比如 NLP，Huggingface、Spacy、Gensim 是常用的工具，CV 方面，OpenCV 无疑是必需的了。

MLOps

类似于 DevOps，有人称，MLOps 是用于机器学习的 DevOps。

MLOps 是将模型集成并部署到生产系统中的所有工具。

这包括模型被部署到哪里，如何到达哪里，如何被更大的软件 / 应用程序访问，如何跟踪 ML 模型在现实世界中的性能，以及如何对模型进行实时管理和测试。

每个团队针对于自身的不同任务，所使用的工具也不尽相同。

调查的结果如下：

• 编排：Kubeflow，Airflow，Amazon Sagemaker，Azure
• 模型包装 / 服务：Kubeflow，MLflow，Amazon Sagemaker
• 模型从训练到推理的剖析和优化：pytest-benchmark、MLperf
• 实验管理：MLflow，Comet，Neptune

总的来说，很多团队用 Jupyter 进行探索，用 Pycharm/VSCode 进行开发。

他们都喜欢 GitHub，Python 语言使用的最多。

对于深度学习框架，他们更喜欢使用 Tensorflow、Keras 和 Pytorch。

值得注意的是，越来越多的人开始使用高级的 PyTorch 训练框架，如 Lightning、Ignite、Catalyst、fastai 和 Skorch。

在可视化探索方面，人们使用 matplotlib, plotly, altair 和 hiplot。

对于实验跟踪，团队通常使用如 TensorBoard、MLflow 和 Sacred 这些的开源软件包。

想要了解更多，传送门在此：