一般用matlab或者scilab來編程，因為輸入輸出是圖像的話，用矩陣計算會更方便。
B. 人工智慧選擇python還是java語言
最近幾年伴隨著大數據的發展，人工智慧也迎來了前所未有的發展契機，大量的專業人才湧向了人工智慧領域，相信未來人工智慧領域會進一步贏得市場的追捧。
不少打算學計算機的學生，想從事人工智慧行業，但是對於人工智慧選擇python還是java語言比較糾結，不知道選擇哪個編程語言好。
先看兩者在人工智慧方向的應用
python主要上升領域是人工智慧與數據挖掘。
Java適用於NLP和搜索演算法，還適用於神經網路。
目前的Python處於剛興起的時候，需求雖然沒有java那麼大，但是一直在穩步增長，因為從事的人少，其起薪也是相當的高。這里你可能問，有工作經驗的程序猿那麼多，為什麼不轉Python,這樣既有工作經驗，又會Python。
python和java語言的發展方向
1、Python：數據分析，人工智慧，web開發，測試，運維，web安全。
2、Java：移動應用、科學應用、大數據開發、安卓開發、伺服器開發、 桌面開發、游戲開發。
Java作為全球佔比最高的開發語言，有著她獨一無二的優勢，在這個行業經驗與創造力很重要。
Java也是一種多範式語言，遵循面向對象的原則和一次寫入讀取/隨處運行(WORA)的原則。它是一種AI編程語言，可以在任何支持它的平台上運行，而無需重新編譯。
基於目前國內python人才需求呈大規模上升，薪資水平也水漲船高。學python的人大多非科班出身。很多大學並沒有開設此專業，因此就出現了大量的人才缺口。
社會是發展變化的，沒有人知道那個語言最有前景，你的重點事如何「精通」一門語言，更正確一點說，你要如何在編程這個技能上成為專家，練就「九陽神功」，然後，根據自己的職業需求、觀察市場隨時憑自己練就的內功、強大的學習能力應對隨時的變化和需求。
總結：
可見，對於人工智慧來說使用python和java編程語言都是可以的，各有優缺點，不過考慮開發效率和難度，可以先選擇python學習更合適一點，等精通以後再學習java，達到靈活使用。
推薦：[MYSQL課程]
C. 請問高手，神經網路模型與學習演算法用什麼語言編程比較好JAVA 、C語言還是C++等。謝謝！
神經網路模型？不會是你的課題吧，大型演算法應用（有界面），當然用C++（效率高）來寫，JAVA次之（略簡單）。
學習演算法的精髓就用C，C++和JAVA作為高級語言打包了很多基礎型的演算法。
D. 人工智慧用的編程語言是哪些
在推動AI產業從興起進入快速發展的歷程中，AI頂級人才的領軍作用尤為重要。上至國家，下至科技巨頭，無不將AI視為提升自身的核心競爭力的根本性戰略。那麼你有沒有想過這么一個問題：人工智慧開發語言哪個更好？
其實，並不是每種編程語言，都能為開發人員節省時間及精力。在此整理了5種比較適用於人工智慧開發的編程語言：
Python
Python由於簡單易用，是人工智慧領域中使用較廣泛的編程語言之一，它可以無縫地與數據結構和其他常用的AI演算法一起使用。Python之所以時候AI項目，其實也是基於Python的很多有用的庫都可以在AI中使用，如Numpy提供科學的計算能力，Scypy的高級計算和Pybrain的機器學習。另外，Python有大量的在線資源，所以學習曲線也不會特別陡峭。
Java
對於AI項目來說，演算法幾乎是靈魂，無論是搜索演算法、自然語言處理演算法還是神經網路，Java都可以提供一種簡單的編碼演算法。另外，Java的擴展性也是AI項目必備的功能之一。
Lisp
Lisp因其出色的原型設計能力和對符號表達式的支持在AI領域嶄露頭角。LISP作為因應人工智慧而設計的語言，因其可用性和符號結構而主要用於機器學習/ ILP子領域。著名的AI專家彼得·諾維奇（Peter Norvig）在其《Artificial Intelligence: A modern approach》一書中，詳細解釋了為什麼Lisp是AI開發的頂級編程語言之一。
Prolog
Prolog一種邏輯編程語言，主要是對一些基本機制進行編程，對於AI編程十分有效，例如它提供模式匹配，自動回溯和基於樹的數據結構化機制。結合這些機制可以為AI項目提供一個靈活的框架。Prolog廣泛應用於AI的 expert系統，也可用於醫療項目的工作。
C ++
在AI項目中，C++可用於統計，如神經網路。另外演算法也可以在C ++被廣泛地快速執行，游戲中的AI主要用C ++編碼，以便更快地執行和響應時間。這也是一門非常不錯的語言。
E. 人工智慧用的編程語言是哪些
Python、Java、Lisp、Prolog、C ++、Yigo。
F. 各種編程語言的深度學習庫整理大全！
各種編程語言的深度學習庫整理大全！
Python1. Theano是一個python類庫，用數組向量來定義和計算數學表達式。它使得在Python環境下編寫深度學習演算法變得簡單。在它基礎之上還搭建了許多類庫。
1.Keras是一個簡潔、高度模塊化的神經網路庫，它的設計參考了Torch，用Python語言編寫，支持調用GPU和CPU優化後的Theano運算。
2.Pylearn2是一個集成大量深度學習常見模型和訓練演算法的庫，如隨機梯度下降等。它的功能庫都是基於Theano之上。
3.Lasagne是一個搭建和訓練神經網路的輕量級封裝庫，基於Theano。它遵循簡潔化、透明化、模塊化、實用化和專一化的原則。
4.Blocks也是一個基於Theano的幫助搭建神經網路的框架。
2. Caffe是深度學習的框架，它注重於代碼的表達形式、運算速度以及模塊化程度。它是由伯克利視覺和學習中心（Berkeley Vision and Learning Center, BVLC）以及社區成員共同開發。谷歌的DeepDream項目就是基於Caffe框架完成。這個框架是使用BSD許可證的C++庫，並提供了Python調用介面。
3. nolearn囊括了大量的現有神經網路函數庫的封裝和抽象介面、大名鼎鼎的Lasagne以及一些機器學習的常用模塊。
4. Genism也是一個用Python編寫的深度學習小工具，採用高效的演算法來處理大規模文本數據。
5. Chainer在深度學習的理論演算法和實際應用之間架起一座橋梁。它的特點是強大、靈活、直觀，被認為是深度學習的靈活框架。
6. deepnet是基於GPU的深度學習演算法函數庫，使用Python語言開發，實現了前饋神經網路（FNN）、受限玻爾茲曼機（RBM）、深度信念網路（DBN）、自編碼器（AE）、深度玻爾茲曼機（DBM）和卷積神經網路（CNN）等演算法。
7. Hebel也是深度學習和神經網路的一個Python庫，它通過pyCUDA控制支持CUDA的GPU加速。它實現了最重要的幾類神經網路模型，提供了多種激活函數和模型訓練方法，例如momentum、Nesterov momentum、dropout、和early stopping等方法。
8. CXXNET是一個基於MShadow開發的快速、簡潔的分布式深度學習框架。它是一個輕量級、易擴展的C++/CUDA神經網路工具箱，提供友好的Python/Matlab介面來進行訓練和預測。
9. DeepPy是基於NumPy的深度學習框架。
10. DeepLearning是一個用C++和Python共同開發的深度學習函數庫。
11. Neon是Nervana System 的深度學習框架，使用Python開發。
Matlab
1. ConvNet 卷積神經網路是一類深度學習分類演算法，它可以從原始數據中自主學習有用的特徵，通過調節權重值來實現。
2. DeepLearnToolBox是用於深度學習的Matlab/Octave工具箱，它包含深度信念網路（DBN）、棧式自編碼器（stacked AE）、卷積神經網路（CNN）等演算法。
3. cuda-convet是一套卷積神經網路（CNN）代碼，也適用於前饋神經網路，使用C++/CUDA進行運算。它能對任意深度的多層神經網路建模。只要是有向無環圖的網路結構都可以。訓練過程採用反向傳播演算法（BP演算法）。
4. MatConvNet是一個面向計算機視覺應用的卷積神經網路（CNN）Matlab工具箱。它簡單高效，能夠運行和學習最先進的機器學習演算法。
CPP
1. eblearn是開源的機器學習C++封裝庫，由Yann LeCun主導的紐約大學機器學習實驗室開發。它用基於能量的模型實現卷積神經網路，並提供可視化交互界面（GUI）、示例以及示範教程。
2. SINGA是Apache軟體基金會支持的一個項目，它的設計目標是在現有系統上提供通用的分布式模型訓練演算法。
3. NVIDIA DIGITS是用於開發、訓練和可視化深度神經網路的一套新系統。它把深度學習的強大功能用瀏覽器界面呈現出來，使得數據科學家和研究員可以實時地可視化神經網路行為，快速地設計出最適合數據的深度神經網路。
4. Intel? Deep Learning Framework提供了Intel?平台加速深度卷積神經網路的一個統一平台。
Java
1. N-Dimensional Arrays for Java (ND4J) 是JVM平台的科學計算函數庫。它主要用於產品中，也就是說函數的設計需求是運算速度快、存儲空間最省。
2. Deeplearning4j 是第一款商業級別的開源分布式深度學習類庫，用Java和Scala編寫。它的設計目的是為了在商業環境下使用，而不是作為一款研究工具。
3. Encog是一個機器學習的高級框架，涵蓋支持向量機、人工神經網路、遺傳編程、貝葉斯網路、隱馬可夫模型等，也支持遺傳演算法。
JavaScript
1. Convnet.js 由JavaScript編寫，是一個完全在瀏覽器內完成訓練深度學習模型（主要是神經網路）的封裝庫。不需要其它軟體，不需要編譯器，不需要安裝包，不需要GPU，甚至不費吹灰之力。
Lua
1. Torch是一款廣泛適用於各種機器學習演算法的科學計算框架。它使用容易，用快速的腳本語言LuaJit開發，底層是C/CUDA實現。Torch基於Lua編程語言。
Julia
1. Mocha是Julia的深度學習框架，受C++框架Caffe的啟發。Mocha中通用隨機梯度求解程序和通用模塊的高效實現，可以用來訓練深度/淺層（卷積）神經網路，可以通過（棧式）自編碼器配合非監督式預訓練（可選）完成。它的優勢特性包括模塊化結構、提供上層介面，可能還有速度、兼容性等更多特性。
Lisp
1. Lush(Lisp Universal Shell)是一種面向對象的編程語言，面向對大規模數值和圖形應用感興趣的廣大研究員、實驗員和工程師們。它擁有機器學習的函數庫，其中包含豐富的深度學習庫。
Haskell
1. DNNGraph是Haskell用於深度神經網路模型生成的領域特定語言（DSL）。
.NET
1. Accord.NET 是完全用C#編寫的.NET機器學習框架，包括音頻和圖像處理的類庫。它是產品級的完整框架，用於計算機視覺、計算機音頻、信號處理和統計應用領域。
R
1. darch包可以用來生成多層神經網路（深度結構）。訓練的方法包括了對比散度的預訓練和眾所周知的訓練演算法（如反向傳播法或共軛梯度法）的細調。
2. deepnet實現了許多深度學習框架和神經網路演算法，包括反向傳播(BP)、受限玻爾茲曼機(RBM)、深度信念網路(DBP)、深度自編碼器(Deep autoencoder)等等。
G. 人工智慧用的編程語言是哪些
樓下的回答是錯的
你所說的人工智慧目前主要是機器學習實現的
目前做機器學習和數據挖掘的主要語言是python
但主要原因並不是python效率高或者python和人工智慧有什麼不可分割的聯系，而是因為python是一門很好的膠水語言，可以方便的調用別人（用各種語言）寫的庫，而且表達清晰靈活
所以實際上機器學習的核心知識和python並沒有本質關系，python只是因為表達能力強，所以被廣泛用於機器學習開發而已。