隨著人工智能技術(shù)的發(fā)展與普及，Python超越了許多其他編程語言，成為了機(jī)器學(xué)習(xí)領(lǐng)域中最熱門最常用的編程語言之一。有許多原因致使Python在眾多開發(fā)者中如此受追捧，其中之一便是其擁有大量的與機(jī)器學(xué)習(xí)相關(guān)的開源框架以及工具庫。根據(jù)http://builtwith.com的數(shù)據(jù)顯示，45%的科技公司都傾向于使用Python作為人工智能與機(jī)器學(xué)習(xí)領(lǐng)域的編程語言。

使Python如此受歡迎主要由于：Python從設(shè)計(jì)之初就是為效率而生，以使項(xiàng)目從開發(fā)到部署再在運(yùn)維都能保持較高的生產(chǎn)力；

坊間有大量的基于Python的開源框架及工具庫；

Python易于上手，可以說是編程小白的福音；

相比起C、Java、C++來講，Python的語法更簡單，更高級，只需要更少行數(shù)的代碼便能實(shí)現(xiàn)其他編程語言同樣的功能；

Python的跨平臺能力；

正是由于Python簡單易用以及高開發(fā)效率，吸引了大量的開發(fā)者為其創(chuàng)建更多新的機(jī)器學(xué)習(xí)工具庫；而又因?yàn)榇罅康臋C(jī)器學(xué)習(xí)工具庫的出現(xiàn)，使得Python在機(jī)器學(xué)習(xí)領(lǐng)域變得如此流行。

下面我們就來探索一下機(jī)器學(xué)習(xí)領(lǐng)域中最受歡迎的十大框架或工具庫：

Tensorflow

如果你正在使用Python來從事機(jī)器學(xué)習(xí)項(xiàng)目，那么你一定聽說過其中一個(gè)著名的框架——Tensorflow。Tensorflow框架主要由Google大腦團(tuán)隊(duì)開發(fā)，主要用于深度學(xué)習(xí)計(jì)算。幾乎所有的Google機(jī)器學(xué)習(xí)應(yīng)用都使用了它。比如在使用Google語音搜索或者Google相冊時(shí)，你其實(shí)都是在間接地在使用Tensorflow所構(gòu)建的模型。

Tensorflow把神經(jīng)網(wǎng)絡(luò)運(yùn)算抽象成運(yùn)算圖(Graph)，一個(gè)運(yùn)算圖中包含了大量的張量(Tensor)運(yùn)算。而張量實(shí)際上就是N維數(shù)據(jù)的集合。神經(jīng)網(wǎng)絡(luò)運(yùn)算的本質(zhì)是通過張量運(yùn)算來擬合輸入張量與輸出張量之間的映射關(guān)系。

并行運(yùn)算是Tensorflow的主要優(yōu)勢之一。也就是說你可以通過代碼設(shè)置來分配你的CPU、GPU計(jì)算資源來實(shí)現(xiàn)并行化的圖運(yùn)算。

Tensorflow框架中所有的工具庫都是用C或者C++來編寫，但它提供了用Python來編寫的接口封裝。事實(shí)上，你用Python編寫的神經(jīng)網(wǎng)絡(luò)模型最終會調(diào)用基于C和C++編寫的Tensorflow內(nèi)核來執(zhí)行運(yùn)算。

Tensorflow使用了類似XLA(Accelerated Linear Algebra/加速線性代數(shù))等技術(shù)對運(yùn)算過程進(jìn)行過優(yōu)化，以保證其能夠靈活地調(diào)用計(jì)算資源的同時(shí)保持高效的運(yùn)算速度。

Keras

Keras被認(rèn)為是最酷的Python深度學(xué)習(xí)庫之一。如果你是深度學(xué)習(xí)開發(fā)方面的新手，那么非常建議你使用它。它提供了非常簡明的機(jī)制來表達(dá)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。它也提供了許多非常棒的工具用于神經(jīng)網(wǎng)絡(luò)模型的編譯、數(shù)據(jù)的處理、以及網(wǎng)絡(luò)結(jié)構(gòu)的可視化等等。

Keras本質(zhì)上是對Tensorflow、Theano等基礎(chǔ)框架作進(jìn)一步的封裝，以提供統(tǒng)一的API來簡化神經(jīng)網(wǎng)絡(luò)的構(gòu)建與訓(xùn)練。如果你打算以Tensorflow作為后端基礎(chǔ)框架，則必須遵循以下架構(gòu)圖：

再有，Keras提供了許多預(yù)處理的數(shù)據(jù)集，比如MNIST，和預(yù)訓(xùn)練的模型，比如VGG、Inception、 ResNet等等。

Theano

Theano 是一個(gè)用于多維數(shù)組計(jì)算的 Python 運(yùn)算框架。Theano 的工作原理與 Tensorflow 相似，但要比Tensorflow 低效。因此它不適用于生產(chǎn)環(huán)境。

此外，Theano還可以用于與Tensorflow類似的分布式或并行環(huán)境。

PyTorch

PyTorch是最大的深度學(xué)習(xí)庫，允許開發(fā)人員通過加速GPU執(zhí)行張量計(jì)算，創(chuàng)建動(dòng)態(tài)計(jì)算圖，并自動(dòng)計(jì)算梯度。 除此之外，PyTorch還提供豐富的API，用于解決與神經(jīng)網(wǎng)絡(luò)相關(guān)的應(yīng)用問題。

這個(gè)深度學(xué)習(xí)庫基于Torch，這是一個(gè)用C語言實(shí)現(xiàn)的開源機(jī)器庫，以Lua語言作了封裝。與Tensorflow的區(qū)別在于Tensorflow用的是“靜態(tài)計(jì)算圖”的概念，而PyTorch用的是“動(dòng)態(tài)計(jì)算圖”的概念。最直觀的感受是，用PyTorch來編寫的神經(jīng)網(wǎng)絡(luò)模型代碼更像常見的Python代碼。PyTorch是在2017年推出的，自成立以來，該庫越來越受歡迎并吸引了越來越多的機(jī)器學(xué)習(xí)開發(fā)人員。

LightGBM

Gradient Boosting是最好和最受歡迎的機(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)建新算法。 因此，有專門的庫被設(shè)計(jì)用于快速有效地實(shí)現(xiàn)該方法。這些庫包括LightGBM, XGBoost, 和CatBoost。這些庫互為競爭對手，同樣使用了幾乎相同的思路來解決一個(gè)共同問題。這些庫都提供了高度可擴(kuò)展，優(yōu)化和快速的梯度增強(qiáng)實(shí)現(xiàn)，使其在機(jī)器學(xué)習(xí)開發(fā)人員中很受歡迎。 因?yàn)榇蠖鄶?shù)機(jī)器學(xué)習(xí)開發(fā)人員通過使用這些算法贏得了機(jī)器學(xué)習(xí)競賽。

Numpy

Numpy是公認(rèn)的最受歡迎的Python機(jī)器學(xué)習(xí)庫之一。Tensorflow以及其他的一些框架內(nèi)部都使用了Numpy來對張量進(jìn)行多種操作。數(shù)組接口是Numpy最佳及最重要的功能。這個(gè)接口可以用于把圖像、音頻、以及其他二進(jìn)制流數(shù)據(jù)表示為多維實(shí)數(shù)數(shù)組。為了把這個(gè)庫應(yīng)用到機(jī)器學(xué)習(xí)中，掌握Numpy的操作對于開發(fā)者而言意義重大。

Pandas

Pandas是一個(gè)Python機(jī)器學(xué)習(xí)庫，它提供了各種高級的工具用于進(jìn)行數(shù)據(jù)分析。其中一項(xiàng)了不起的功能便是它可以用一兩行代碼就能實(shí)現(xiàn)復(fù)雜的數(shù)據(jù)操作。Pandas有許多內(nèi)置的方法用于分組統(tǒng)計(jì)、合并數(shù)據(jù)、數(shù)據(jù)篩選、以及時(shí)間序列操作。所有的這些操作都有出色的性能表現(xiàn)。因此，使用Pandas通常用于數(shù)據(jù)挖掘任務(wù)。

SciPy

SciPy是一個(gè)應(yīng)用開發(fā)者與工程師們使用的機(jī)器學(xué)習(xí)庫。然而，你需要知道的是SciPy庫與SciPy-Stack的區(qū)別。SciPy庫是SciPy-Stack的一個(gè)子集。SciPy庫包含了優(yōu)化器、線性代數(shù)、積分、插值、快速傅立葉變換、信號和圖像處理、統(tǒng)計(jì)等子模塊。所有子模塊中的函數(shù)都有完整的文檔說明，使用方便。

SciPy庫的主要功能是基于Numpy來實(shí)現(xiàn)的，它的數(shù)組操作就是使用了Numpy的數(shù)組操作。

Scikits_Learn

Scikits-learn，又稱為sk-learn，是一個(gè)基于Numpy與SciPy的Python庫。Sk-learn被認(rèn)為是用于處理復(fù)雜數(shù)據(jù)的最優(yōu)秀的機(jī)器學(xué)習(xí)庫之一。它包含了大量用于實(shí)現(xiàn)傳統(tǒng)機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘任務(wù)的算法，比如數(shù)據(jù)降維、分類、回歸、聚類、以及模型選擇等。

隨著時(shí)間的發(fā)展，sk-learn不斷演進(jìn)。其中包括它加入了交叉驗(yàn)證功能，提供了使用多個(gè)衡量指標(biāo)的能力。許多的訓(xùn)練方法都得到了一定的改進(jìn)，如邏輯回歸、近鄰算法(KNN)等。

Eli5

通常，在機(jī)器學(xué)習(xí)任務(wù)中遇到的難題是模型的預(yù)測結(jié)果不準(zhǔn)確。而用Python構(gòu)建的Eli5機(jī)器學(xué)習(xí)庫可以幫助攻克這個(gè)難題。它為現(xiàn)有的機(jī)器學(xué)習(xí)框架提供了若干內(nèi)置的支持，比如模型數(shù)據(jù)可視化、模型調(diào)試、算法跟蹤等，使得機(jī)器學(xué)習(xí)模型對于開發(fā)者而言不再是一個(gè)黑盒子。

Eli5支持sk-learn、XGBoost、LightGBM、lightning、sklearn-crfsuite等機(jī)器學(xué)習(xí)框架或機(jī)器學(xué)習(xí)庫。

這些框架與庫都能夠?qū)崿F(xiàn)以上提到的可視化、模型調(diào)試、算法跟蹤等任務(wù)。

結(jié)語：

以上便是機(jī)器學(xué)習(xí)專家們與數(shù)據(jù)科學(xué)家們普遍認(rèn)可的十大機(jī)器學(xué)習(xí)框架或工具庫。所有的這些框架與庫都值得看一看、試一試。

當(dāng)然，除了以上提到的框架與工具庫外，還有很多其他的機(jī)器學(xué)習(xí)庫也同樣值得關(guān)注。比如Scikit-image就是同屬于Scikit系列的另一個(gè)側(cè)重于圖像領(lǐng)域的工具庫。

希望本文能夠幫助你為你的項(xiàng)目選擇到合適的機(jī)器學(xué)習(xí)框架或工具庫吧。

編譯：優(yōu)達(dá)學(xué)員-kevin

原作：Mantra Malhotra

知乎機(jī)構(gòu)號：來自硅谷的終身學(xué)習(xí)平臺——優(yōu)達(dá)學(xué)城(http://Udacity.com)，專注于技能提升和求職法則，讓你在家能追隨 Google、Facebook、IBM 等行業(yè)大佬，從零開始掌握數(shù)據(jù)分析、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、人工智能、無人駕駛等前沿技術(shù)，激發(fā)未來無限可能！優(yōu)達(dá)學(xué)城(Udacity)?cn.udacity.com?utm_source=zhihu-oa&utm_medium=social&utm_campaign=zhuanlan

知乎專欄：優(yōu)達(dá)學(xué)習(xí)筆記，歡迎各位喜歡優(yōu)達(dá)的學(xué)習(xí)者們，在這里你可以分享所學(xué)，交流技術(shù)結(jié)識好友。歡迎各位積極投稿。優(yōu)達(dá)學(xué)習(xí)筆記?zhuanlan.zhihu.com

總結(jié)

以上是生活随笔為你收集整理的python机器学习库_Python机器学习库 Top 10，你值得拥有！的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。