作者：Sayantini Deb 譯者：劉志勇

在本文中，我們將討論 Python 中的一些頂級(jí)庫(kù)，開(kāi)發(fā)人員可以使用這些庫(kù)來(lái)解析、清理和表示數(shù)據(jù)，并在現(xiàn)有應(yīng)用中實(shí)現(xiàn)機(jī)器學(xué)習(xí)。

我們將會(huì)介紹以下 10 個(gè)庫(kù)：

TensorFlow
Scikit-Learn
NumPy
Keras
PyTorch
LightGBM
Eli5
SciPy
Theano
Pandas

Python 是目前最流行，使用最廣泛的編程語(yǔ)言之一，已經(jīng)取代了業(yè)界許多編程語(yǔ)言。Python 在開(kāi)發(fā)人員中受歡迎的原因有很多，其中最重要的一個(gè)原因就是 Python 有大量可供用戶(hù)使用的庫(kù)。Python 的簡(jiǎn)單性吸引了許多開(kāi)發(fā)人員為機(jī)器學(xué)習(xí)創(chuàng)建新的庫(kù)。由于有大量的庫(kù)，Python 在機(jī)器學(xué)習(xí)專(zhuān)家中非常流行。

因此，我即將介紹的第一個(gè)庫(kù)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(xiàng)目，那么你可能已經(jīng)聽(tīng)說(shuō)過(guò)這個(gè)流行的開(kāi)源庫(kù)，即 TensorFlow。該庫(kù)是 Google 與 Brain Team 合作開(kāi)發(fā)的。Google 的每一個(gè)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(lèi)似于一個(gè)計(jì)算庫(kù)，用于編寫(xiě)設(shè)計(jì)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(jì)算圖，因此它們可以用 TensorFlow 作為對(duì)張量(Tensor)的一些列操作來(lái)實(shí)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(duì)速度進(jìn)行了優(yōu)化，并利用 XLA 等技術(shù)實(shí)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(jì)算圖的每一部分進(jìn)行可視化，在使用 NumPy 或 SciKit 時(shí)并沒(méi)有這個(gè)選項(xiàng)。

2. 靈活性

TensorFlow 的一個(gè)非常重要的特性是，它的操作非常靈活。這意味著它實(shí)現(xiàn)了模塊化，對(duì)于你想要使其獨(dú)立的部分，它可以提供這一選項(xiàng)。

3. 易于訓(xùn)練

對(duì)于分布式計(jì)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(shuō)，你可以訓(xùn)練多個(gè)神經(jīng)網(wǎng)絡(luò)和多個(gè) 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?yàn)?TensorFlow 是由 Google 開(kāi)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(kāi)源

這個(gè)機(jī)器學(xué)習(xí)庫(kù)最好的地方在于它是開(kāi)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(shí)際上你每天都在使用 TensorFlow，但像 Google 語(yǔ)音搜索或 Google 相冊(cè)這樣的應(yīng)用卻是間接的。這些應(yīng)用是使用這個(gè)庫(kù)進(jìn)行開(kāi)發(fā)的。

在 TensorFlow 中創(chuàng)建的所有庫(kù)都是用 C 和 C++ 編寫(xiě)的。不過(guò)，它還有一個(gè)復(fù)雜的 Python 前端。你的 Python 代碼將會(huì)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(shí)際上是無(wú)限的，這就是 TensorFlow 的美妙之處。

Scikit-Learn

 

 

Scikit-Learn 是什么?

Scikit-Learn 是一個(gè)與 NumPy 和 SciPy 相關(guān)的 Python 庫(kù)。它被認(rèn)為是處理復(fù)雜數(shù)據(jù)的最佳庫(kù)之一。這個(gè)庫(kù)正在進(jìn)行大量更改。其中一個(gè)更改是交叉驗(yàn)證功能，提供了使用多個(gè)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(yàn)證： 有多種方法可以檢驗(yàn)監(jiān)督模型對(duì)不可見(jiàn)數(shù)據(jù)的準(zhǔn)確性

2. 無(wú)監(jiān)督學(xué)習(xí)算法： Scikit-Learn 提供了大量的算法，從聚類(lèi)、因子分析和主成分分析到無(wú)監(jiān)督神經(jīng)網(wǎng)絡(luò)。

3. 特征提取： 用于從圖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(shí)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(lèi)、回歸、聚類(lèi)和模型選擇。

NumPy

 

 

NumPy 是什么?

NumPy 被認(rèn)為是 Python 中最受歡迎的機(jī)器學(xué)習(xí)庫(kù)之一。

TensorFlow 和其他庫(kù)在內(nèi)部使用 NumPy 在張量上執(zhí)行多個(gè)操作。陣列接口是 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(shí)現(xiàn)變得非常簡(jiǎn)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(kāi)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 維實(shí)數(shù)陣列。為實(shí)現(xiàn)這個(gè)用于機(jī)器學(xué)習(xí)的庫(kù)，了解 NumPy 對(duì)于全棧開(kāi)發(fā)人員來(lái)說(shuō)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(kù)之一。它提供了一種更簡(jiǎn)單的機(jī)制來(lái)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(shí)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(kù)比較，Keras 的速度相對(duì)較慢。因?yàn)樗�是通過(guò)使用后端架構(gòu)創(chuàng)建計(jì)算圖，然后利用它來(lái)執(zhí)行操作的。不過(guò)，Keras 的所有模型都是可移植的。

Keras 的特點(diǎn)

Keras 在 CPU 和 GPU 上都能順利運(yùn)行。

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(lái)構(gòu)建更為復(fù)雜的模型。

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。

Keras 是一個(gè)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(kāi)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(shí)也是深度學(xué)習(xí)研究人員的最?lèi)?ài)。大型科學(xué)組織，特別是 CERN(歐洲核子研究中心)和 NASA(美國(guó)國(guó)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(shí)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(kù)，它允許開(kāi)發(fā)人員利用 GPU 的加速執(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(wèn)題。

這個(gè)機(jī)器學(xué)習(xí)庫(kù)是基于 Torch 的，Torch 是一個(gè)用 C 語(yǔ)言實(shí)現(xiàn)的開(kāi)源機(jī)器學(xué)習(xí)庫(kù)，在 Lua 中有個(gè)包裝器。這個(gè)用 Python 編寫(xiě)的機(jī)器學(xué)習(xí)庫(kù)是 2017 年推出的，自推出以來(lái)，吸引了越來(lái)越多的機(jī)器學(xué)習(xí)開(kāi)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(dòng)態(tài)圖模式)下提供了易用性和靈活性，同時(shí)在 C++ 運(yùn)行時(shí)環(huán)境中無(wú)縫過(guò)渡到圖形模式，以實(shí)現(xiàn)速度、優(yōu)化和功能。

2. 分布式訓(xùn)練

通過(guò)利用 Python 和 C++ 提供的異步執(zhí)行集合操作和對(duì)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(kù)和包(如 Cython 和 Numba 等)一起使用。

4. 庫(kù)和工具

一個(gè)由研究人員和開(kāi)發(fā)人員組成的活躍社區(qū)，建立了一個(gè)豐富的工具和庫(kù)生態(tài)系統(tǒng)，用于擴(kuò)展 PyTorch ，并支持從計(jì)算機(jī)視覺(jué)到強(qiáng)化學(xué)習(xí)等領(lǐng)域的開(kāi)發(fā)。

PyTorch 在哪里使用?

PyTorch 主要用于自然語(yǔ)言處理等應(yīng)用。PyTorch 主要是由 Facebook 的人工智能研究小組開(kāi)發(fā)的。Uber 的概率編程“Pyro”軟件就是建立在這個(gè)基礎(chǔ)上的。PyTorch 在很多方面都超過(guò)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(kù)之一，它通過(guò)使用重新定義的基本模型和決策樹(shù)來(lái)幫助開(kāi)發(fā)人員構(gòu)建新的算法。因此，有一些專(zhuān)門(mén)的庫(kù)是為快速有效地實(shí)現(xiàn)這種方法而設(shè)計(jì)的。

這些庫(kù)分別是 LightGBM、XGBoost 和 CatBoost。所有這些庫(kù)都是幫助解決常見(jiàn)問(wèn)題的競(jìng)爭(zhēng)對(duì)手，可以以幾乎相似的方式加以利用。

LightGBM 的特點(diǎn)

1. 計(jì)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(kù)有更快的訓(xùn)練。

4. 在考慮 NaN 值和其他規(guī)范值時(shí)不會(huì)產(chǎn)生錯(cuò)誤。

LightGBM 在哪里使用?

這個(gè)庫(kù)提供了高度可擴(kuò)展、優(yōu)化和快速的梯度提升實(shí)現(xiàn)，這使得它在機(jī)器學(xué)習(xí)開(kāi)發(fā)人員中備受歡迎。因?yàn)榇蠖鄶?shù)機(jī)器學(xué)習(xí)全棧開(kāi)發(fā)人員是通過(guò)使用這些算法在機(jī)器學(xué)習(xí)競(jìng)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(cè)結(jié)果并不準(zhǔn)確，而內(nèi)置 Python 的 Eli5 機(jī)器學(xué)習(xí)庫(kù)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)

此外，Eli5 還支持其他庫(kù) XGBoost、lighting、scikit-learn 和 sklearn-crfsuite 庫(kù)。上面提到的所有庫(kù)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(shí)間內(nèi)進(jìn)行大量計(jì)算的數(shù)學(xué)應(yīng)用

在與其他 Python 包存在依賴(lài)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(gè)領(lǐng)域?qū)嵤┹^新的方法

SciPy

 

 

SciPy 是什么?

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

SciPy 的特點(diǎn)

SciPy 庫(kù)的主要特點(diǎn)是使用 NumPy 開(kāi)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(shuō)明。

SciPy 在哪里使用?

SciPy 是一個(gè)使用 NumPy 求解數(shù)學(xué)函數(shù)的庫(kù)。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(hào)處理等任務(wù)，都可以通過(guò) SciPy 輕松處理。

Theano

 

 

Theano 是什么?

Theano 是 Python 中用于計(jì)算多維數(shù)組的計(jì)算框架機(jī)器學(xué)習(xí)庫(kù)。Theano 的工作方式與 TensorFlow 類(lèi)似，但效率不如 TensorFlow。因?yàn)樗�不能適應(yīng)生產(chǎn)環(huán)境。

此外，還可以在與 TensorFlow 類(lèi)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(jì)算要比 CPU 上快得多

3. 高效的符號(hào)微分： Theano 為具有一個(gè)或多個(gè)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(gè)例子。

5. 動(dòng)態(tài) C 代碼生成： 計(jì)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(cè)試和自我驗(yàn)證： 檢測(cè)和診斷模型中的多種類(lèi)型的錯(cuò)誤和歧義

Theano 在哪里使用?

Theano 表達(dá)式的實(shí)際語(yǔ)法是符號(hào)化的，這可能會(huì)讓習(xí)慣正常軟件開(kāi)發(fā)的初學(xué)者感到不適。具體來(lái)說(shuō)，表達(dá)式是以抽象的方式進(jìn)行定義、編譯的，然后實(shí)際用于計(jì)算。

Theano 是專(zhuān)門(mén)為用于深度學(xué)習(xí)的大型神經(jīng)網(wǎng)絡(luò)算法的計(jì)算類(lèi)型而設(shè)計(jì)的。它是最早的類(lèi)庫(kù)之一(2007 年開(kāi)始開(kāi)發(fā))，被認(rèn)為是深度學(xué)習(xí)研究和開(kāi)發(fā)的行業(yè)標(biāo)準(zhǔn)。Theano 目前被用于多個(gè)神經(jīng)網(wǎng)絡(luò)項(xiàng)目，隨著時(shí)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(gè)機(jī)器學(xué)習(xí)庫(kù)，它提供高級(jí)的數(shù)據(jù)結(jié)構(gòu)和各種各樣的分析工具。這個(gè)庫(kù)最大的特性之一是能夠使用一個(gè)或兩個(gè)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(guò)濾以及時(shí)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(guò)程變得更容易。對(duì)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(kù)的發(fā)行版本較少，其中包括數(shù)百個(gè)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(lèi)型操作提供支持。

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

作者介紹：

Sayantini Deb，研究分析師，供職于 Edureka。

原文鏈接：

Top 10 Python Libraries You Must Know in 2019

標(biāo)簽： Python 機(jī)器學(xué)習(xí)

版權(quán)申明：本站文章部分自網(wǎng)絡(luò)，如有侵權(quán)，請(qǐng)聯(lián)系：west999com@outlook.com
特別注意：本站所有轉(zhuǎn)載文章言論不代表本站觀點(diǎn)！
本站所提供的圖片等素材，版權(quán)歸原作者所有，如需使用，請(qǐng)與原作者聯(lián)系。