在本文中，我們將討論 Python 中的一些優(yōu)選庫，開發(fā)人員可以使用這些庫來解析、清理和表示數(shù)據(jù)，并在現(xiàn)有應(yīng)用中實現(xiàn)機(jī)器學(xué)習(xí)。 

我們將會介紹以下 10 個庫：  

 

• TensorFlow

• Scikit-Learn

• NumPy

• Keras

• PyTorch

• LightGBM

• Eli5

• SciPy

• Theano

• Pandas

 

Python 是目前流行，使用廣泛的編程語言之一，已經(jīng)取代了業(yè)界許多編程語言。Python 在開發(fā)人員中受歡迎的原因有很多，其中最重要的一個原因就是 Python 有大量可供用戶使用的庫。Python 的簡單性吸引了許多開發(fā)人員為機(jī)器學(xué)習(xí)創(chuàng)建新的庫。由于有大量的庫，Python 在機(jī)器學(xué)習(xí)專家中非常流行。

因此，我即將介紹的第一個庫是 TensorFlow。

TensorFlow

TensorFlow 是什么？ 

 

如果你目前正在使用 Python 進(jìn)行機(jī)器學(xué)習(xí)項目，那么你可能已經(jīng)聽說過這個流行的開源庫，即 TensorFlow。該庫是 Google 與 Brain Team 合作開發(fā)的。Google 的每一個機(jī)器學(xué)習(xí)應(yīng)用幾乎都有 TensorFlow 的影子。

 

TensorFlow 的工作方式類似于一個計算庫，用于編寫設(shè)計大量張量運(yùn)算的新算法。由于神經(jīng)網(wǎng)絡(luò)可以很容易地表示為計算圖，因此它們可以用 TensorFlow 作為對張量（Tensor）的一些列操作來實現(xiàn)。此外，張量是表述數(shù)據(jù)的 N 維矩陣。

TensorFlow 的特點(diǎn)

TensorFlow 針對速度進(jìn)行了優(yōu)化，并利用 XLA 等技術(shù)實現(xiàn)快速線性代數(shù)運(yùn)算。   

1. 響應(yīng)式構(gòu)造：使用 TensorFlow，我們可以輕松地將計算圖的每一部分進(jìn)行可視化，在使用 NumPy 或 SciKit 時并沒有這個選項。
2. 靈活性：TensorFlow 的一個非常重要的特性是，它的操作非常靈活。這意味著它實現(xiàn)了模塊化，對于你想要使其獨(dú)立的部分，它可以提供這一選項。
3. 易于訓(xùn)練：對于分布式計算，它可以很容易地在 CPU 上進(jìn)行訓(xùn)練，也可以在 GPU 上進(jìn)行訓(xùn)練。
4. 并行化神經(jīng)網(wǎng)絡(luò)訓(xùn)練：TensorFlow 提供了管道。從某種意義上說，你可以訓(xùn)練多個神經(jīng)網(wǎng)絡(luò)和多個 GPU，這使得模型在大型系統(tǒng)上非常高效。
5. 大型社區(qū)：毋庸諱言，因為 TensorFlow 是由 Google 開發(fā)的，所以有一大群軟件工程師在不斷改進(jìn) TensorFlow 的穩(wěn)定性。
6. 開源：這個機(jī)器學(xué)習(xí)庫最好的地方在于它是開源的，所以只要有互聯(lián)網(wǎng)，任何人都可以使用它。

TensorFlow 在哪里使用？

實際上你每天都在使用 TensorFlow，但像 Google 語音搜索或 Google 相冊這樣的應(yīng)用卻是間接的。這些應(yīng)用是使用這個庫進(jìn)行開發(fā)的。

在 TensorFlow 中創(chuàng)建的所有庫都是用 C 和 C++ 編寫的。不過，它還有一個復(fù)雜的 Python 前端。你的 Python 代碼將會被編譯，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)用數(shù)量實際上是無限的，這就是 TensorFlow 的美妙之處。

Scikit-Learn

Scikit-Learn 是什么？

Scikit-Learn 是一個與 NumPy 和 SciPy 相關(guān)的 Python 庫。它被認(rèn)為是處理復(fù)雜數(shù)據(jù)的優(yōu)選庫之一。這個庫正在進(jìn)行大量更改。其中一個更改是交叉驗證功能，提供了使用多個度量的能力。許多訓(xùn)練方法，如邏輯回歸和最近鄰方法，都得到了一些改進(jìn)。

Scikit-Learn 的特點(diǎn)

1. 交叉驗證：有多種方法可以檢驗監(jiān)督模型對不可見數(shù)據(jù)的準(zhǔn)確性。
2. 無監(jiān)督學(xué)習(xí)算法：Scikit-Learn 提供了大量的算法，從聚類、因子分析和主成分分析到無監(jiān)督神經(jīng)網(wǎng)絡(luò)。
3. 特征提?。河糜趶膱D像和文本中提取特征（例如詞袋）。

Scikit-Learn 在哪里使用？

它包含許多用于實現(xiàn)標(biāo)準(zhǔn)機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘任務(wù)的算法，如降維、分類、回歸、聚類和模型選擇。

NumPy

NumPy 是什么？

NumPy 被認(rèn)為是 Python 中受歡迎的機(jī)器學(xué)習(xí)庫之一。

TensorFlow 和其他庫在內(nèi)部使用 NumPy 在張量上執(zhí)行多個操作。數(shù)組接口是 NumPy 最好也是最重要的特性。

NumPy 的特點(diǎn)

1. 交互性：NumPy 交互性強(qiáng)，易于使用。
2. 數(shù)學(xué)：使復(fù)雜的數(shù)學(xué)實現(xiàn)變得非常簡單。
3. 直觀性：使編碼和概念的掌握變得非常容易。
4. 大量的交互：得益于廣泛的使用，因此有大量的開源貢獻(xiàn)。

NumPy 在哪里使用？

NumPy 的接口可用于將圖像、聲波和其他二進(jìn)制原始流表達(dá)為 N 維數(shù)組。為實現(xiàn)這個用于機(jī)器學(xué)習(xí)的庫，了解 NumPy 對于全棧開發(fā)人員來說很重要。

Keras

Keras 是什么？

Keras 被認(rèn)為是 Python 中最酷的機(jī)器學(xué)習(xí)庫之一。它提供了一種更簡單的機(jī)制來表達(dá)神經(jīng)網(wǎng)絡(luò)。Keras 還為編譯模型、處理數(shù)據(jù)集、圖形可視化等提供了一些最佳實用程序。

在后端，Keras 在內(nèi)部使用 Theano 或 TensorFlow，也可以使用一些最流行的神經(jīng)網(wǎng)絡(luò)，如 CNTK。與其他機(jī)器學(xué)習(xí)庫比較，Keras 的速度相對較慢。因為它是通過使用后端架構(gòu)創(chuàng)建計算圖，然后利用它來執(zhí)行操作的。不過，Keras 的所有模型都是可移植的。

Keras 的特點(diǎn)

1. 1.Keras 在 CPU 和 GPU 上都能順利運(yùn)行。
2. 2.Keras 支持幾乎所有的神經(jīng)網(wǎng)絡(luò)模型，包括完全連接的、卷積的、池化的、遞歸的、嵌入的等等。此外，這些模型還可以組合起來構(gòu)建更為復(fù)雜的模型。
3. 3.Keras 在本質(zhì)上是模塊化的，具有難以置信的表現(xiàn)力、靈活性，并易于創(chuàng)新研究。
4. 4.Keras 是一個完全基于 Python 的框架，可以方便地進(jìn)行調(diào)試和探索。

Keras 在哪里使用？

你已經(jīng)在不斷地與 Keras 開發(fā)的功能進(jìn)行交互：它在 Netflix、Uber、Yelp、Instacart、Zocdoc、Square 等其他許多公司都有應(yīng)用。Keras 在那些將深度學(xué)習(xí)作為產(chǎn)品核心的初創(chuàng)公司中特別受歡迎，同時也是深度學(xué)習(xí)研究人員的最愛。大型科學(xué)組織，特別是 CERN（歐洲核子研究中心）和 NASA（美國國家航空航天局）的研究人員也采用了 Keras。

Keras 包含許多常用的神經(jīng)網(wǎng)絡(luò)構(gòu)建塊的實現(xiàn)，例如層、目標(biāo)、激活函數(shù)、優(yōu)化器和一系列工具，使圖像和文本數(shù)據(jù)的處理變得更加容易。

此外，Keras 還提供了許多預(yù)處理的數(shù)據(jù)集和預(yù)訓(xùn)練模型，如 MNIST、VGG、Inception、SqueezeNet、ResNet 等等。

PyTorch

PyTorch 是什么？

PyTorch 是最大的機(jī)器學(xué)習(xí)庫，它允許開發(fā)人員利用 GPU 的加速執(zhí)行張量計算，創(chuàng)建動態(tài)計算圖，并自動計算梯度。除此之外，PyTorch 還提供了豐富的 API，用于解決與神經(jīng)網(wǎng)絡(luò)相關(guān)的應(yīng)用問題。

這個機(jī)器學(xué)習(xí)庫是基于 Torch 的，Torch 是一個用 C 語言實現(xiàn)的開源機(jī)器學(xué)習(xí)庫，在 Lua 中有個包裝器。這個用 Python 編寫的機(jī)器學(xué)習(xí)庫是 2017 年推出的，自推出以來，吸引了越來越多的機(jī)器學(xué)習(xí)開發(fā)人員。

PyTorch 的特點(diǎn)

1. 混合前端：新的混合前端在 Eager 模式（動態(tài)圖模式）下提供了易用性和靈活性，同時在 C++ 運(yùn)行時環(huán)境中無縫過渡到圖形模式，以實現(xiàn)速度、優(yōu)化和功能。
2. 分布式訓(xùn)練：通過利用 Python 和 C++ 提供的異步執(zhí)行集合操作和對等通信的本地支持，優(yōu)化研究和生產(chǎn)中的性能。
3. Python 優(yōu)先：PyTorch 并非綁定到單一 C++ 框架中的 Python。它是為了深     入集成到 Python 中而構(gòu)建的，因此它可以與流行的庫和包（如 Cython 和         Numba 等）一起使用。   
4. 庫和工具：一個由研究人員和開發(fā)人員組成的活躍社區(qū)，建立了一個豐富的工具和庫生態(tài)系統(tǒng)，用于擴(kuò)展 PyTorch ，并支持從計算機(jī)視覺到強(qiáng)化學(xué)習(xí)等領(lǐng)域的開發(fā)。

PyTorch 在哪里使用？

PyTorch 主要用于自然語言處理等應(yīng)用。PyTorch 主要是由 Facebook 的人工智能研究小組開發(fā)的。Uber 的概率編程“Pyro”軟件就是建立在這個基礎(chǔ)上的。PyTorch 在很多方面都超過了 TensorFlow，最近得到了很多關(guān)注。

LightGBM

LightGBM 是什么

梯度提升（Gradient Boosting）是最好的、最流行的機(jī)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)建新的算法。因此，有一些專門的庫是為快速有效地實現(xiàn)這種方法而設(shè)計的。

這些庫分別是 LightGBM、XGBoost 和 CatBoost。所有這些庫都是幫助解決常見問題的競爭對手，可以以幾乎相似的方式加以利用。

LightGBM 的特點(diǎn)

1. 計算速度快，生產(chǎn)效率高。
2. 直觀，易于使用。
3. 比許多其他深度學(xué)習(xí)庫有更快的訓(xùn)練。
4. 在考慮 NaN 值和其他規(guī)范值時不會產(chǎn)生錯誤。

LightGBM 在哪里使用？

這個庫提供了高度可擴(kuò)展、優(yōu)化和快速的梯度提升實現(xiàn)，這使得它在機(jī)器學(xué)習(xí)開發(fā)人員中備受歡迎。因為大多數(shù)機(jī)器學(xué)習(xí)全棧開發(fā)人員是通過使用這些算法在機(jī)器學(xué)習(xí)競賽中獲勝的。

Eli5

Eli5 是什么？

大多數(shù)情況下，機(jī)器學(xué)習(xí)模型的預(yù)測結(jié)果并不準(zhǔn)確，而內(nèi)置 Python 的 Eli5 機(jī)器學(xué)習(xí)庫有助于克服這一挑戰(zhàn)。它結(jié)合了可視化和調(diào)試所有的機(jī)器學(xué)習(xí)模型，并跟蹤算法的所有工作步驟。

Eli5 的特點(diǎn)

Eli5 支持 XGBoost、lighting、scikit-learn 和 sklearn-crfsuite 庫。上面提到的所有庫都可以用于執(zhí)行不同的任務(wù)。

Eli5 在哪里使用？

• 需要在短時間內(nèi)進(jìn)行大量計算的數(shù)學(xué)應(yīng)用
• 在與其他 Python 包存在依賴關(guān)系的情況下，Eli5 扮演著至關(guān)重要的角色。
• 遺留應(yīng)用和在各個領(lǐng)域?qū)嵤┹^新的方法

SciPy

SciPy 是什么？

SciPy 是一個面向應(yīng)用程序開發(fā)人員和工程師的機(jī)器學(xué)習(xí)庫。你需要了解 SciPy 庫和 SciPy 棧之間的區(qū)別。SciPy 庫包含用于優(yōu)化、線性代數(shù)、積分和統(tǒng)計的模塊。

SciPy 的特點(diǎn)

SciPy 庫的主要特點(diǎn)是使用 NumPy 開發(fā)，其數(shù)組最大限度地利用了 NumPy。此外，SciPy 使用其特定子模塊提供了所有高效的數(shù)值例程，比如優(yōu)化、數(shù)值積分和許多其他例程。

所有 SciPy 子模塊中的所有函數(shù)都有良好的文檔說明。

SciPy 在哪里使用？

SciPy 是一個使用 NumPy 求解數(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)，并附帶用于科學(xué)編程中各種常用任務(wù)的模塊，包括線性代數(shù)、積分（微積分）、常微分方程求解和信號處理等任務(wù)，都可以通過 SciPy 輕松處理。

Theano

Theano 是什么？

Theano 是 Python 中用于計算多維數(shù)組的計算框架機(jī)器學(xué)習(xí)庫。Theano 的工作方式與 TensorFlow 類似，但效率不如 TensorFlow。因為它不能適應(yīng)生產(chǎn)環(huán)境。

此外，還可以在與 TensorFlow 類似的分布式或并行環(huán)境中使用 Theano。

Theano 的特點(diǎn)

1. 與 NumPy 緊密集成：能夠在 Theano 編譯的函數(shù)中完全使用 NumPy 數(shù)組。
2. GPU 的透明使用：執(zhí)行數(shù)據(jù)密集型計算要比 CPU 上快得多。   
3. 高效的符號微分：Theano 為具有一個或多個輸入的函數(shù)求導(dǎo)。
4. 速度和穩(wěn)定性的優(yōu)化：即使 x 非常小，也能獲得 log(1+x) 的正確答案。這只是證明 Theano 穩(wěn)定性的一個例子。
5. 動態(tài) C 代碼生成：計算表達(dá)式的速度比以往都快，從而極大提高效率。
6. 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。

Theano 在哪里使用？

Theano 表達(dá)式的實際語法是符號化的，這可能會讓習(xí)慣正常軟件開發(fā)的初學(xué)者感到不適。具體來說，表達(dá)式是以抽象的方式進(jìn)行定義、編譯的，然后實際用于計算。

Theano 是專門為用于深度學(xué)習(xí)的大型神經(jīng)網(wǎng)絡(luò)算法的計算類型而設(shè)計的。它是最早的類庫之一（2007 年開始開發(fā)），被認(rèn)為是深度學(xué)習(xí)研究和開發(fā)的行業(yè)標(biāo)準(zhǔn)。Theano 目前被用于多個神經(jīng)網(wǎng)絡(luò)項目，隨著時間的推移，Theano 的普及率也在不斷提高。

Pandas

Pandas 是什么？

Pandas 是 Python 中的一個機(jī)器學(xué)習(xí)庫，它提供高級的數(shù)據(jù)結(jié)構(gòu)和各種各樣的分析工具。這個庫最大的特性之一是能夠使用一個或兩個命令轉(zhuǎn)換復(fù)雜的數(shù)據(jù)操作。Pandas 有很多內(nèi)置的分組、組合數(shù)據(jù)、過濾以及時間序列功能的方法。所有這些方法都有出色的速度指示器。

Pandas 的特點(diǎn)

Pandas 使操作數(shù)據(jù)的過程變得更容易。對重新索引、迭代、排序、聚合、連接和可視化等操作的支持是 Pandas 的亮點(diǎn)之一。

Pandas 在哪里使用？

目前，Pandas 庫的發(fā)行版本較少，其中包括數(shù)百個新功能、bug 修復(fù)、增強(qiáng)和 API 中的更改。Pandas 的改進(jìn)在于它能夠?qū)?shù)據(jù)進(jìn)行分組和排序，為應(yīng)用方法選擇最適合的輸出，并為執(zhí)行自定義類型操作提供支持。

在其他事項中，當(dāng)涉及到使用 Pandas 時，數(shù)據(jù)分析是一大亮點(diǎn)。但是，當(dāng)與其他庫和工具一起使用時，Pandas 確保了高度的功能性和良好的靈活性。