Python 是很流行和使用比較廣泛的編程語言之一，它已經(jīng)超越了業(yè)界許多編程語言，名列前茅。它在開發(fā)人員中流行的原因有很多，最重要的一點就是它有大量的庫供用戶使用。Python 的易用性、靈活性吸引了許多開發(fā)人員為機器學習創(chuàng)建新的庫。有一個庫大家必都會介紹，就是TensorFlow，這里就不多說了。那么，以下就是今日份干貨，大家有什么自己最喜歡的庫也可以在評論中留言分享~

1.Keras

Keras是由python編寫的機器學習API，其運行在機器學習的優(yōu)秀平臺TensorFlow上。好處在于可以很快地實現(xiàn)網(wǎng)絡模型的搭建，數(shù)據(jù)輸入輸出也很方便，讓你可以專注于網(wǎng)絡模型本身，適合新手。比較大的缺點就是慢!作為高層API，推理速度等等肯定沒tf，mxnet那些快。

2. PyTorch

它的特點：處理N維度張量，和numpy類似，但是可以在GPU上運行。支持自動微分來構建和訓練大型的神經(jīng)網(wǎng)絡。

3. fastai

用過的都說好，通過利用當下優(yōu)秀的技術實踐，fastai極快地簡化了訓練過程也加速了神經(jīng)網(wǎng)絡。只要一個API就包含了幾乎所有常見的深度學習應用。

4. JAX

Jax 是 Autograd 和 XLA 的結合用來提供高性能機器學習研究。作為 Autograd 的更新版本，JAX 可以自動微分原生 Python 和 Numpy 函數(shù)?？赏ㄟ^ loops、branches、recursion 和 closures，進行微分，并且能夠?qū)?shù)的導數(shù)求導。支持反向模式微分通過 grad。

5. FastText

它是一個可以讓你高效學習單詞表意和句子分類的庫。

6. spaCy

spaCy v3.0具有所有新的基于transformer的管道，讓spaCy的準確率達到SOTA。你可以使用任意預訓練transformer來訓練你自己的管道，也可以在多組件和多任務之間共享transformer。spaCy的transformer支持與PyTorch和HuggingFace transformers庫的集成，在管道中可以訪問許多預訓練模型。

7. gensim

它通過使用大型語料庫進行主題建模、文檔索引和相似性檢索。目標受眾是自然語言處理(NLP)和信息檢索(IR)社區(qū)。

8. NLTK

它是自然語言工具箱，是一整套針對自然語言處理研究和開發(fā)的開源Python模塊、數(shù)據(jù)集和教程。

9. TextBlob

簡單，Python風格，是一個用于處理文本數(shù)據(jù)的庫。它為潛入常見的自然語言處理(NLP)任務提供了一個簡單的API，例如詞性標注，名詞短語提取，情感分析，分類，翻譯等。

10. Pillow

它是個對用戶十分友好的PIL分支。PIL是Python圖像庫。

11. OpenCV

開源計算機視覺庫。

12.LightGBM

它可以幫助開發(fā)人員使用重新定義的基本模型，即決策樹來構建新的算法。LightGBM 的特點：計算速度快、生產(chǎn)效率高、直觀、易于使用。這個庫提供了高度可擴展、優(yōu)化和快速的梯度增強實現(xiàn)，這使它在機器學習開發(fā)者中很流行。

13.Pandas

Pandas是Python中的一個機器學習庫，它提供高級的數(shù)據(jù)結構和各種各樣的分析工具。主要是能夠使用一個或兩個命令轉(zhuǎn)換復雜的數(shù)據(jù)操作。它還有許多內(nèi)置的分組、數(shù)據(jù)組合、過濾和時間序列功能的函數(shù)。當和其他庫一起使用時，Pandas保證了高性能和良好的靈活性。

14..Numpy

數(shù)組接口是 Numpy 的最佳特性。它非常容易理解和使用，讓復雜的數(shù)學實現(xiàn)變得非常簡單。廣泛使用，因此有很多開源貢獻者。該接口可用于將圖像、聲音和其他二進制原始流表示為 n 維實數(shù)數(shù)組。

15.Click

Click的開發(fā)初衷就是使用最少的代碼，以一種可組合的方式創(chuàng)建漂亮的命令行接口。它的目的是使編寫命令行工具的過程快速而有趣，同時防止由于無法實現(xiàn)預期的CLI API而導致的任何問題。主要有三個特點：命令的任意嵌套、自動幫助頁面生成、支持在運行時延遲加載子命令。