十大开发必备的Python库，可实现机器学习

在本文中，我们将和您讨论Python中的一些库。开发人员可以使用它们来编写、清理和表示数据，并且能够在现有的各种应用程序中实现机器学习的效果。它们分别是：

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

1.TensorFlow

什么是TensorFlow?

如果您目前正在使用Python进行机器学习项目开发的话，那么您一定听说过TensorFlow这一流行的开源库。它是由Google与Brain Team合作开发而成，主要用于机器学习类应用的开发。

TensorFlow的工作方式类似于编写大量涉及张量(tensor)操作的新的算法库。由于神经网络可以很容易地被表示为计算图形，因此它们可以使用TensorFlow，来作为张量上的一系列操作予以实现。此处，张量表示为数据的N维矩阵。

TensorFlow的特点

TensorFlow针对速度进行了优化。它利用XLA等技术，实现了快速线性代数的运算。

• 响应式构建

使用TensorFlow，我们可以轻松地可视化图形的每一个部分。而下面将要提到的NumPy或SciKit则无此选项。

• 灵活

由于具有模块化的特点，因此Tensorflow在功能上具有灵活的可操作性，用户可以只选用其需要的独立部分。

• 易于训练

它可以通过CPU和GPU的训练方式，轻松地实现分布式计算。

• 并行神经网络训练

由于TensorFlow提供了流水线式的操作，因此从某种意义上说，您可以训练多个神经网络和多个GPU。这对于大规模系统上的模型来说是非常高效的。

• 大型社区

毋庸置疑，由于是Google开发的，因此一大批软件工程师会持续致力于其稳定性的改进。

• 开源

由于是开源的，因此只要有互联网的连接，任何人都可以使用到它。

TensorFlow的接受度

大家所熟悉的Google语音搜索、以及Google相册等应用都是由TensorFlow库所开发的。虽然由TensorFlow所创建的库集合都是用C和C++编写的，但是它拥有一个复杂的Python前端。因此，您的Python代码将会被它所编译，然后再由C和C ++构建的TensorFlow分布式引擎所执行。

2.Scikit-Learn

什么是Scikit-Learn?

它是一个与NumPy和SciPy相关联的Python库，被认为是处理复杂数据的Python库之一。Scikit-Learn有很多改进版本，其中的一种是通过交叉验证的功能，以及提供多个参数指标，来改进诸如逻辑回归、以及最近邻居等多种训练的方法。

Scikit-Learn的特点

• 交叉验证：它提供许多方法来检查、监督模型对于不可见数据的准确性。
• 无监督学习算法：同样，它也提供包括聚类、因子分析、主成分分析、以及无监督神经网络等的大量算法。
• 特征提取：能够被用于从图像和文本中提取特征(例如，Bag of words)。

Scikit-Learn的接受度

它包含了大量可用于实现标准机器学习、以及数据挖掘任务的算法。例如：降低维度、分类、回归、聚类和模型选择等。

3.NumPy

什么是NumPy?

NumPy被认为是Python中受欢迎的机器学习库之一。TensorFlow和其他库在内部都会使用NumPy来执行多种操作。其中，数组接口是NumPy好用、也是重要的功能之一。

NumPy特点

• 交互式：NumPy具有强交互性、且易于被使用。
• 数学性：通过复杂的数学，将实现变得非常简单。
• 直观：能够将编码、及概念变得简单易懂。
• 强交互性：由于得到了广泛的使用，因此它获得了更多的开源贡献。

NumPy的接受度

NumPy库接口可以被用于将图像、声波、以及其他二进制原始流，表达为N维实数数组。为了更好地将其用于机器学习，全栈工程师有必要对其深入了解。

4.Keras

什么是Keras?

Keras被认为是酷炫的机器学习类Python库之一。它提供了一种更容易表达神经网络的机制。同时，Keras还提供了一些可用于编译模型、处理数据集、图形可视化等方面的工具。

Keras在后端内部使用的是Theano或TensorFlow。它可以被用在诸如CNTK之类的各种流行的神经网络上。与其他机器学习类型的库相比，由于Keras通过使用后端的基础架构来创建计算图形，因此其后续的执行操作相对较慢。另外，Keras的所有模型都是可被移植的。

Keras的特点

• Keras在CPU和GPU上都能够顺利地运行。
• Keras几乎支持神经网络中的所有模型，包括：完全连接、卷积、汇集、循环、嵌入等。此外，这些模型也可以被组合起来构建更为复杂的模型。
• Keras的模块化特性，具有非凡的表现力、灵活性，且适合于创新类研究。
• Keras是一个完全基于Python的框架，开发人员可以轻松进行各种调试。

Keras的接受度

如今，诸如Netflix、Uber、Yelp、Instacart、Zocdoc、以及Square等众多网站都使用到了Keras构建的交互性功能。许多初创型公司都愿意在其产品核心中用到Keras所提供的深度学习技术。

Keras包含了许多神经网络常用的构建模块，例如：各个层、对象、激活函数、优化器、以及一系列可供处理图像与文本数据工具。

此外，它还提供了许多预处理数据的集合、以及预训练的模型，其中包括：MNIST、VGG、Inception、SqueezeNet、以及ResNet等。

在接受程度上，Keras是排名第二的，被深度学习研究人员所喜爱的Python库。一些大型科学组织，特别是CERN和NASA的研究人员，都会用到Keras。

5.PyTorch

什么是PyTorch?

PyTorch是一个大型的机器学习库，它允许开发人员通过GPU加速，来执行张量计算、创建动态计算图、并自动计算出梯度。此外，PyTorch还提供了丰富的API，可用于解决与神经网络相关的应用问题。

基于Torch的PyTorch是一个用C语言实现的开源机器学习库。当然，它也带有Lua的包装器。

PyTorch的特点

混合前端

新的混合前端在eager模式下，保证了易用性和灵活性。在被无缝地转换到graph模式后，它能够在C++的运行环境中保证速度、优化和相应的功能。

• 分布式训练

得益于Python和C++能够访问到对等式通信的优点，它能够对集合式操作和异步执行提供原生的支持，并且能够优化研究、以及生产环境中的性能。

• Python优先

PyTorch并非是一种Python绑定的单体式(monolithic)C++框架。它是为深入地集成到Python中而构建的。因此它可以与各种流行的库、以及Cython和Numba等软件包一同使用。

• 库和工具

由活跃的研究人员与开发人员所构成的社区，实现了一个丰富的工具与库的生态系统。该系统可以被用于扩展PyTorch、并支持从计算机视觉到强化学习等领域的开发。

PyTorch的接受度

PyTorch由Facebook的人工智能研究小组所开发，主要被用于自然语言处理等应用，例如，Uber的Pyro软件就将它用到了概率编程上。

如今，PyTorch在许多方面都超越了TensorFlow，并且持续引起了更多的关注。

6.LightGBM

什么是LightGBM?

Gradient Boosting是目前好用且流行的机器学习库之一。它通过使用重新定义的基本模型与决策树，来帮助开发人员构建新的算法。它所提供的LightGBM、XGBoost和CatBoost等特殊库，有助于解决常见的各种问题。

LightGBM的特点

• 高速的计算能力，确保了较高的生产率。
• 界面直观，且对用户友好。
• 训练的速度比其他深度学习库要快。
• 在计算NaN值和其他规范值时，不容易产生错误。

LightGBM的接受度

由于具有高度可扩展性、能够优化和快速实现梯度增强，因此LightGBM备受机器学习开发人员，特别是全栈工程师的欢迎。

7.Eli5

什么是Eli5?

大多数情况下，机器学习模型的预测结果并不太准确，而Eli5内置Python的机器学习库却有助于克服这一点。它是对所有机器学习模型的可视化和调试的组合，并且能够跟踪某个算法的所有步骤。

Eli5的特点

此外，Eli5能够支持XGBoost、lighting、scikit-learn和sklearn-crfsuite等其他库，并且可以实现它们不同的任务。

Eli5的接受度

• 适用于需要在短时间内进行大量计算的数学应用程序。
• 在与其他Python包存在依赖关系时，Eli5能够起到重要的作用。
• 能够在各个领域实施传统的应用程序、以及更新的方法。

8.SciPy

什么是SciPy?

SciPy是一个面向应用程序开发人员和工程师的机器学习库。与SciPy堆栈不同，SciPy库包含了用于优化、线性代数、积分和统计的模块。

SciPy的特点

SciPy库的主要特点是使用到了NumPy来进行开发，因此它的数组充分利用了NumPy的特点。此外，SciPy提供了诸如优化、数值积分和其他特定的子模块。这些所有子模块里的所有功能都有着详细配套的文档。

SciPy的接受度

由于SciPy是一个使用NumPy来解决数学函数的库，因此SciPy采用NumPy数组作为基本的数据结构，并附带了用于科学编程的各种常用任务模块。

SciPy可以轻松地处理包括：线性代数、积分(微积分)、常微分方程求解、以及信号处理在内的各项任务。

9.Theano

什么是Theano?

Theano是一个在Python中可用于计算多维数组的机器学习类框架库。Theano的工作方式类似于TensorFlow，但是其效率不及TensorFlow，因此不太适合生产环境。不过，与TensorFlow类似，Theano也可以被用于分布式或并行的环境之中。

Theano的特点

• 与NumPy紧密集成 - 用户能够在Theano所编译的函数中完整地使用到NumPy数组。
• 透明地使用GPU - 执行数据密集型计算比在CPU上更快。
• 高效的符号区分 - Theano通过一个或多个输入，为您的函数提供衍生工具。
• 速度和稳定性优化 - 即使x非常小，也能获得正确的log(1+x)的答案。
• 生成动态C语言代码 - 评估表达式的速度更快更高效。
• 广泛的单元测试和自我验证 – 能够检测和诊断模型中的多种类型错误。

Theano的接受度

由于Theano表达式的实际语法，仅在抽象意义上定义、编译了后续的实际计算，因此它对于习惯了正常软件开发的初学者来说，并不太合适。不过，在被专门用于处理深度学习时，它使用到了大型神经网络算法所需的各种计算类型。另外，由于早在2007年就被开发出来了，因此Theano被认为是深度学习研究和开发的行业标准。

我们乐观地估计，Theano的受欢迎程度会随着时间的推移而增长。

10.Pandas

什么是Pandas?

Pandas也是一种Python类机器学习库，它提供了高级的数据结构和各种分析类工具。Pandas库重要的一个特性是：能够使用一个或两个命令，将复杂的操作与数据进行转换。Pandas有许多内置的分组方法，其中包括：数据、过滤以及时间序列功能。

Pandas的特点

Pandas能够让我们操作数据的整个过程更加容易。Pandas的功能主要包括：支持重新索引、迭代、排序、聚合、连接、以及可视化等操作。

Pandas的接受度