wx搜索“拓撲軟件”纸泡，get各大廠精品PPT

Python廣泛應(yīng)用于各種場景谁榜，包含非常豐富的第三方庫，作為一個Python開發(fā)者捺疼，必須對最重要的庫有足夠的認知。接下來的部分就會向你展示永罚，Python中最應(yīng)該掌握的十大機器學(xué)習(xí)庫啤呼。

TensorFlow

Scikit-Learn

Numpy

Keras

PyTorch

LightGBM

Eli5

SciPy

Theano

Pandas

簡介

Python是目前最流行的編程語言之一卧秘，并在工業(yè)界替代了很多其他的編程語言。

Python如此流行的原因有很多官扣，其中一個原因就是它擁有非常多功能強大的第三方庫翅敌，且易于使用。

Python如此流行的原因有幾點：

Python有很多三方庫惕蹄。

Python的簡潔和易用使得初學(xué)者容易上手蚯涮。

Python能夠從開發(fā)、部署到維護卖陵，全方位地提升效率遭顶。

可移植性很強。

Python的編程語言簡單易學(xué)泪蔫，相比C棒旗、Java和C++而言，屬于高級語言撩荣。

因此嗦哆，只需要幾行代碼就能構(gòu)成一個新的應(yīng)用程序。

Python的簡單性吸引了許多開發(fā)人員創(chuàng)建可用于機器學(xué)習(xí)的新庫婿滓。由于大量的庫，Python在機器學(xué)習(xí)專家中變得非常流行粥喜。

所以凸主，本文首先要介紹的第一個庫就是TensorFlow。

TensorFlow

什么是TensorFlow额湘？

如果你現(xiàn)在用Python來構(gòu)建一個機器學(xué)習(xí)項目卿吐，那么你可能聽過TensorFlow這個庫。

這個庫是Google與Brain Team合作開發(fā)的锋华。TensorFlow幾乎是每個用于機器學(xué)習(xí)的Google應(yīng)用程序的一部分嗡官。

TensorFlow就像一個計算庫一樣，用于編寫涉及大量Tensor（張量）運算的新算法毯焕，因為神經(jīng)網(wǎng)絡(luò)可以輕松地表達為計算圖衍腥，因此可以使用TensorFlow將其作為Tensor上的一系列運算來實現(xiàn)。另外纳猫，張量是代表您數(shù)據(jù)的N維矩陣婆咸。

TensorFlow的特性

TensorFlow針對速度進行了優(yōu)化，它利用XLA之類的技術(shù)進行快速線性代數(shù)運算芜辕。

1. 響應(yīng)式構(gòu)造

借助TensorFlow尚骄，我們可以輕松地可視化計算圖的每個部分，這在使用Numpy或SciKit時是不可取的侵续。

2. 靈活性

Tensorflow功能非常重要的一項就是它的可操作性非常強倔丈，這意味著它具有模塊化以及您想要使其獨立的部分憨闰，它提供了這一選擇。

3. 容易訓(xùn)練

它可以輕松地在CPU和GPU上進行分布式訓(xùn)練需五。

4. 并行神經(jīng)網(wǎng)絡(luò)訓(xùn)練

TensorFlow提供了pipeline鹉动，意味著您可以訓(xùn)練多個神經(jīng)網(wǎng)絡(luò)和多個GPU，這使得模型在大規(guī)模系統(tǒng)上非常有效警儒。

5. 龐大的社區(qū)

不用說训裆，如果它是由Google開發(fā)的，那么已經(jīng)有一個龐大的軟件工程師團隊蜀铲，他們會不斷進行穩(wěn)定性改進边琉。

6. 開源

這個機器學(xué)習(xí)庫最棒的地方就是開源，只要有網(wǎng)絡(luò)记劝，每個人都可以使用它变姨。

TensorFlow的用途？

您每天都在使用TensorFlow厌丑，但是是間接地定欧，比如使用Google語音搜索或Google相冊之類的應(yīng)用程序，這些是TensorFlow的應(yīng)用程序怒竿。

TensorFlow中創(chuàng)建的所有庫都是用C和C ++編寫的砍鸠。但是，它具有復(fù)雜的Python前端耕驰。您的Python代碼將被編譯爷辱，然后在使用C和C ++構(gòu)建的TensorFlow分布式執(zhí)行引擎上執(zhí)行。

TensorFlow的應(yīng)用程序數(shù)量實際上是無限的，這就是TensorFlow的優(yōu)點。

Scikit-Learn

什么是Scikit-learn淋肾？

它是一個與 NumPy 和 SciPy 相關(guān)聯(lián)的Python 庫，被認為是處理復(fù)雜數(shù)據(jù)的最佳庫之一弟断。

這個庫做了很多改進，一是交叉驗證功能趴生，提供使用多個指標(biāo)的能力。許多訓(xùn)練方法舍咖，如邏輯回歸和最近鄰，都得到了一些小小的改進排霉。

Scikit-Learn的特性

1. 交叉驗證：有多種方法可以檢查監(jiān)督模型對未知數(shù)據(jù)的準(zhǔn)確度。

2. 無監(jiān)督學(xué)習(xí)算法：從聚類攻柠、因子分析、主成分分析到無監(jiān)督神經(jīng)網(wǎng)絡(luò)瑰钮。

3. 特征提取：用于從圖像和文本中提取特征（例如詞袋）

什么情況下使用Scikit-Learn?

它包含大量用于實現(xiàn)標(biāo)準(zhǔn)機器學(xué)習(xí)和數(shù)據(jù)挖掘任務(wù)的算法开睡，例如降維苟耻、分類、回歸凶杖、聚類和模型選擇胁艰。在完成這些任務(wù)時，我們可以使用Scikit-Learn智蝠。

Numpy

什么是Numpy?

Numpy 被認為是 Python 中最受歡迎的機器學(xué)習(xí)庫之一腾么。

TensorFlow和其他庫在內(nèi)部使用Numpy對張量執(zhí)行多種操作。數(shù)組接口是 Numpy 最好也是最重要的特性杈湾。

Numpy的特性

交互性：Numpy 具有很好的交互性且易于使用解虱。

數(shù)學(xué)特性：使復(fù)雜的數(shù)學(xué)實現(xiàn)變得非常簡單。

直觀：使編碼變得非常容易漆撞，并且很容易掌握概念饭寺。

大量學(xué)習(xí)資料：廣泛使用，因此有很多開源貢獻叫挟。

Numpy的用途?

該接口可用于將圖像、聲波和其他二進制原始流表示為N維實數(shù)數(shù)組限煞。

為了應(yīng)用這個可用于機器學(xué)習(xí)的庫抹恳，了解 Numpy 對全棧開發(fā)人員很重要。

Keras

什么是Keras?

Keras 被認為是Python中最酷的機器學(xué)習(xí)庫之一署驻。它提供了一種更簡單的機制來表達神經(jīng)網(wǎng)絡(luò)奋献。Keras 還提供了一些用于編譯模型、處理數(shù)據(jù)集旺上、圖形可視化等的最佳實用工具瓶蚂。

在后端，Keras在內(nèi)部使用 Theano 或 TensorFlow宣吱。也可以使用一些最流行的神經(jīng)網(wǎng)絡(luò)窃这，如CNTK。當(dāng)我們將Keras與其他機器學(xué)習(xí)庫進行比較時征候，它相對較慢杭攻。因為它通過使用后端基礎(chǔ)設(shè)施創(chuàng)建一個計算圖祟敛，然后利用它來執(zhí)行操作。Keras中的所有模型都是可移植的兆解。

Keras的特性

它在GPU和CPU上都能運行流暢馆铁。

Keras支持神經(jīng)網(wǎng)絡(luò)的幾乎所有模型——全連接埠巨、卷積辣垒、池化乍构、循環(huán)神經(jīng)網(wǎng)絡(luò)哥遮、embedding等眠饮。此外铜邮，這些模型可以組合起來構(gòu)建更復(fù)雜的模型松蒜。

Keras 本質(zhì)上是模塊化的秸苗，具有令人難以置信的表現(xiàn)力惊楼、靈活性檀咙，并且適合創(chuàng)新研究弧可。

Keras 是一個完全基于 Python 的框架，可以輕松調(diào)試和探索氧秘。

什么情況下使用Keras丸相？

您已經(jīng)在不斷地與使用 Keras 構(gòu)建的功能進行交互——Netflix灭忠、Uber弛作、Yelp华匾、Instacart蜘拉、Zocdoc旭旭、Square 和許多其他公司都在使用它。它在將深度學(xué)習(xí)置于其產(chǎn)品核心的初創(chuàng)公司中尤其受歡迎源梭。

Keras 包含許多常用神經(jīng)網(wǎng)絡(luò)構(gòu)建塊的實現(xiàn)废麻，例如層脑溢、目標(biāo)、激活函數(shù)验庙、優(yōu)化和大量工具粪薛，可以更輕松地處理圖像和文本數(shù)據(jù)。

此外熟空，它還提供了許多預(yù)處理數(shù)據(jù)集和預(yù)訓(xùn)練模型息罗，如 MNIST才沧、VGG温圆、Inception岁歉、SqueezeNet锅移、ResNet 等。

Keras 也是深度學(xué)習(xí)研究人員的最愛瞬女，排名第二诽偷。Keras 也被大型科學(xué)組織的研究人員采用报慕，特別是 CERN 和 NASA眠冈。

PyTorch

什么是PyTorch?

PyTorch 是最大的機器學(xué)習(xí)庫，允許開發(fā)人員在 有GPU 加速的情況下執(zhí)行張量計算雨让，創(chuàng)建動態(tài)計算圖，并自動計算梯度崔挖。除此之外狸相，PyTorch提供了豐富的API來解決與神經(jīng)網(wǎng)絡(luò)相關(guān)的應(yīng)用程序問題脓鹃。

這個機器學(xué)習(xí)庫基于Torch将谊，它是一個用C語言實現(xiàn)的開源機器庫，用Lua封裝逞频。

這個Python機器學(xué)習(xí)庫于2017年推出苗胀，自推出以來瓦堵，該庫越來越受歡迎菇用，并吸引了越來越多的機器學(xué)習(xí)開發(fā)人員杂穷。

PyTorch的特性

混合前端

新的混合前端在Eager模式下具備易用性和靈活性卦绣，同時在C++運行時環(huán)境中無縫過渡到圖形模式以實現(xiàn)速度廊蜒、優(yōu)化和功能溅漾。

分布式訓(xùn)練

通過利用本地支持異步執(zhí)行集體操作和對等通信（Python和C++）屁倔，優(yōu)化研究和生產(chǎn)的性能汰现。

Python優(yōu)先

PyTorch不是Python綁定到C++整體框架中瞎饲，它旨在與Python深度集成嗅战，因此可以與流行的庫和包（如Cython和Numba）一起使用驮捍。

庫和工具

活躍的研究人員和開發(fā)人員社區(qū)構(gòu)建了豐富的工具和庫生態(tài)系統(tǒng)东且，用于擴展 PyTorch 并支持從計算機視覺到強化學(xué)習(xí)等領(lǐng)域的開發(fā)珊泳。

PyTorch的應(yīng)用?

PyTorch 主要用于自然語言處理等應(yīng)用色查。

它主要由 Facebook 的人工智能研究小組開發(fā)秧了，Uber 用于概率編程的“Pyro”軟件是基于它構(gòu)建的验毡。

PyTorch 在多個方面都優(yōu)于 TensorFlow米罚，并且在最近受到了很多關(guān)注录择。

LightGBM

什么是LightGBM?

Gradient Boosting是最好和最受歡迎的機器學(xué)習(xí)庫之一，它通過使用重新定義的基本模型和決策樹來幫助開發(fā)人員構(gòu)建新算法动看。因此菱皆，有一些特殊的庫可用于快速有效地實現(xiàn)此方法仇轻。

這些庫是LightGBM篷店、XGBoost和CatBoost疲陕。所有這些庫都有助于解決常見問題蹄殃，并且使用方法相似邑蒋。

LightGBM的特性

計算非骋降酰快，保證了生產(chǎn)效率逮京。

直觀卿堂，因此使其用戶友好。

比許多其他深度學(xué)習(xí)庫更快的訓(xùn)練懒棉。

考慮NaN值和其他規(guī)范值時不會產(chǎn)生錯誤草描。

LightGBM的應(yīng)用?

該庫提供了梯度提升的高度可擴展、優(yōu)化和快速的實現(xiàn)策严，這使得它在機器學(xué)習(xí)開發(fā)人員中很受歡迎穗慕。因為大多數(shù)機器學(xué)習(xí)全棧開發(fā)人員都是通過使用這些算法贏得機器學(xué)習(xí)比賽的。

Eli5

什么是Eli5?

大多數(shù)情況下妻导，機器學(xué)習(xí)模型預(yù)測的結(jié)果并不準(zhǔn)確，Python內(nèi)置的Eli5機器學(xué)習(xí)庫有助于克服這一挑戰(zhàn)。它是可視化和調(diào)試所有機器學(xué)習(xí)模型并跟蹤算法的所有工作步驟的組合法焰。

Eli5的特性

Eli5還支持XGBoost、Lightning凯正、scikit-learn和sklearn-crfsuite等其他庫梧疲。

Eli5的應(yīng)用?

Eli5適合需要在短時間內(nèi)進行大量計算的數(shù)學(xué)應(yīng)用。

Eli5 在與其他Python包存在依賴關(guān)系的情況下起著至關(guān)重要的作用宇智。

在各個領(lǐng)域?qū)嵤┰袘?yīng)用程序的新方法。

SciPy

什么是SciPy?

SciPy是一個面向應(yīng)用程序開發(fā)人員和工程師的機器學(xué)習(xí)庫蜒车。但是嬉挡，您仍然需要了解SciPy庫和SciPy堆棧之間的區(qū)別因谎。SciPy庫包含用于優(yōu)化匠璧、線性代數(shù)媳维、積分和統(tǒng)計的模塊州丹。

SciPy的特性

SciPy 庫的主要特點是它是使用NumPy開發(fā)的蚁鳖，它的數(shù)組充分利用了NumPy的數(shù)組讥裤。

此外，SciPy使用其特定的子模塊提供了所有有效的數(shù)值例程，如優(yōu)化、數(shù)值積分和許多其他程序荞驴。

SciPy的所有子模塊中的所有功能都有詳細記錄。

SciPy的應(yīng)用?

SciPy是一個使用NumPy來解決數(shù)學(xué)函數(shù)的庫。SciPy使用NumPy數(shù)組作為基本數(shù)據(jù)結(jié)構(gòu)顿苇，并帶有各種用于科學(xué)編程中常用任務(wù)的模塊则果。

SciPy可以輕松執(zhí)行包括線性代數(shù)做修、積分（微積分）旋炒、常微分方程求解和信號處理在內(nèi)的任務(wù)尚粘。

Theano

什么是Theano?

Theano是Python中的計算框架機器學(xué)習(xí)庫弛随，用于計算多維數(shù)組链烈。Theano的工作原理與TensorFlow類似擦秽，但不如TensorFlow高效。因為它無法適應(yīng)生產(chǎn)環(huán)境。

此外，Theano還可以用于分布式或并行環(huán)境贱田。

Theano的特性

與NumPy的緊密集成——能夠在 Theano 編譯的函數(shù)中完全使用 NumPy 數(shù)組乔询。

GPU 的使用——執(zhí)行數(shù)據(jù)密集型計算任務(wù)的速度比在 CPU 上快得多打月。

高效的符號微分——Theano可對具有一個或多個輸入的函數(shù)進行導(dǎo)數(shù)。

速度和穩(wěn)定性優(yōu)化 - 即使x非常小蚕捉，也能得到log(1+x)的正確答案奏篙。這只是展示 Theano 穩(wěn)定性的示例之一。

動態(tài)生成C代碼?- 比以往任何時候都更快地評估表達式鱼冀，從而大大提高效率报破。

廣泛的單元測試和自我驗證——檢測和診斷模型中的多種類型的錯誤和歧義。

什么時候使用Theano?

Theano表達式的實際語法是象征性的千绪，對于習(xí)慣于正常軟件開發(fā)的初學(xué)者來說充易，這可能會令人反感。具體來說荸型，表達式是在抽象意義上定義的盹靴，編譯后實際用于進行計算。

它專門處理深度學(xué)習(xí)中大型神經(jīng)網(wǎng)絡(luò)算法的計算類型瑞妇。它是同類庫中最早的一個（開發(fā)始于2007年）稿静，并且是深度學(xué)習(xí)研究和開發(fā)的行業(yè)標(biāo)準(zhǔn)。

Theano是當(dāng)今多個神經(jīng)網(wǎng)絡(luò)項目的強項辕狰，Theano的受歡迎程度只會隨著時間的推移而增長改备。

Pandas

什么是Pandas?

Pandas是Python中的機器學(xué)習(xí)庫，它提供了高級數(shù)據(jù)結(jié)構(gòu)和多種分析工具蔓倍。該庫的一大特色是能夠使用一兩個命令將復(fù)雜的操作轉(zhuǎn)換為數(shù)據(jù)悬钳。Pandas有許多用于分組、組合數(shù)據(jù)和過濾的內(nèi)置方法偶翅，以及時間序列功能默勾。

Pandas的特性

Pandas確保操作數(shù)據(jù)的整個過程會更容易。支持重新索引聚谁、迭代母剥、排序、聚合形导、連接和可視化等操作是 Pandas 的亮點之一环疼。

Pandas的應(yīng)用？

目前朵耕，包含數(shù)百個新功能秦爆、錯誤修復(fù)、API增強的Pandas庫版本較少憔披。pandas的改進在于其對數(shù)據(jù)進行分組和排序的能力等限，為apply方法選擇最適合的輸出爸吮，并支持自定義類型的操作。

在Pandas的使用方面望门，數(shù)據(jù)分析是最重要的形娇。但是，Pandas與其他庫和工具一起使用時可確保高功能性和良好的靈活性筹误。

?? END ??

文稿 | 全棧架構(gòu)師

編輯 |全棧架構(gòu)師