最近一年里都在深度研发网络神经技术来做大数据的事情，其实从最近自己从事研发的项目中，发现AI热潮中，有关神经网络的声音最大，然而，AI远远不止如此，神经网络技术可以自主模拟人的行为解决您需要的大数据源。我研究过各种爬虫工具（什么x车头，什么抓鱼），哪些技术都是模拟http请求，采用是原始传统的模拟请求技术，没有自我算法学习、自我训练的技术。2018年自己也是基于Python做的大数据深度爬虫研发，当时我破解了 天某查、企某查、淘x宝、京x东 、美x团、商标x网这样大型网站的数据来做一些数据深度分析和数据画像，虽然采用爬虫可以实现解决爬取数据但是效率太低，周期太长，而且需要投入大量的服务器和代理IP去迎接各种防火墙的挑战，当时我也是采用一些比较常规的爬虫技术架构比如 selenium的模拟人操控浏览器、采用了cookie池解决会员账号登陆那种目标网站，自己建立了代理IP池来应对那种封ip很厉害的网站，虽然解决了各种验证码、会员登陆、封IP问题，但是我投入是时间和精力太大，所以就研究了网络神经技术，采用网络神经技术我自己研发了一套基于网络神经技术做的一套大数据AI应用模型saas系统，目前已经把全国34个省市的工商数据全部破解，可以直接调取API接口获取任何城市的数据库，后面我计划将继续研发AI 人脸识别模型接口和其他相关AI 模型给大家使用！因为我觉得光通过网络神经技术只是解决了数据源问题，但是数据最终还是需要数字化和产业经济话，我准备下一步搞基于大数据下的AI模型研发、IA模型训练接口给大家使用。

什么是网络神经技术？

相信大家看过很多关于网络神经技术、卷积神经网络算法、深度学习、AI模型等相关的技术，其实网络神经技术最只要的功能就是通过神经元进行信息传递实现一些功能的算法，再说简单一点，就是我们通过一些深度学习框架 比如：Caffe、TesorFlow、PyTorch、Keras等来来搭建自己的深度学习模型，而且这些框架都是封装好的很多算法和函数，网络神经技术最核心特点就是可以自我学习，只要您喂养它数据，他就可以自我学习，比如我5月份自己写了一个破解验证码的AI模型，那么我需要把各种验证码数据和图片喂养这个模型去训练它，它被训练越多，那么准确率越高。它通过网络神经算法具备自我学习的能力。

下面分别给大家介绍三套AI深度学习框架：

 Caffe提供了一个用于训练、测试、微调和开发模型的完整工具包，而且它拥有完善文档的例子用于这些工作。同样的，它也是一个对于研究人员和其他开发者进入尖端机器学习的理想起点，这使得它在短时间内就能用于产业开发。Caffe的特性和优点主要有：模块性：Caffe本着尽可能模块化的原则，这样使新的数据格式，网络层和损失函数容易扩展。网络层和损失函数已定义，大量示例展示了这些部分是怎样组成一个识别系统用于不同情况工作的。表示和实现的分离：Caffe模型的定义已经用Protocl Buffer语言写成了配置文件。Caffe支持在任意有向非循环图形式的网络构建。根据实例化，Caffe保留网络需要的内存，并且从主机或者GPU底层的位置抽取内存。在CPU和GPU之间转换只需要调用一个函数。测试范围：每一个在Caffe中的单独模块都会进行测试，没有相应测试就不能有新代码加入进项目。这样就可以快速改进和重构代码库。Python和MATLAB结合：Caffe提供了Python和MATLAB相结合的目前研究代码的快速原型和接口。两种语言都用在了构造网络和分类输入中。预训练参考模型：Caffe提供了参考模型用于视觉工作，包括里程碑式的“Alex Net”、Image Net模型的变形和R-CNN探测模型。

TensorFlow: 2015年9月，Google于TensorFlow开源之际，发布了TensorFlow白皮书，最大特点就是计算图。

 PyTorch是一个基于Python语言的深度学习框架，专门针对 GPU 加速的深度神经网络（DNN）的程序开发。基本上，它所有的程序都是用python写的，这就使得它的源码看上去比较简洁，在机器学习领域中有广泛的应用。PyTorch是一个灵活的深度学习框架，它允许通过动态神经网络（即if条件语句和while循环语句那样利用动态控制流的网络）自动分化。它支持GPU加速、分布式训练、多种优化以及更多的、更简洁的特性

（欢迎对 AI技术 、大数据技术感兴趣朋友加qq 2779571288，一起学习！）