適用於現代機器學習模型和項目的Python庫
Best Python Libraries for Machine Learning and Deep Learning
"機器學習的突破將使十個微軟值得。"-比爾·蓋茨
隨著AI行業的發展，機器學習和深度學習近來一直在增長，並且這項技術的早期採用者開始看到它碩果累累。 隨著越來越多的企業加入潮流，並開始投入時間和精力來發掘這個尚未開發的領域的潛力，這對於在該地區工作的開發人員來說將是更好的選擇。
幾種編程語言可以幫助您從AI，ML和DL入手，每種語言都提供了特定概念的據點。 用於ML和DL的一些流行編程語言是Python，Julia，R，Java以及其他一些語言。 到目前為止，我們將重點放在Python上。
為什麼Python是機器學習和AI的首選？
作為機器學習的首選語言，Python似乎正在贏得一場戰鬥。 庫和開放源代碼工具的可用性使其成為開發ML模型的理想選擇。
長期以來，Python一直是機器學習和人工智能開發人員的首選。 Python為開發人員提供了一些最佳的靈活性和功能，這些功能不僅提高了生產力，而且還提高了代碼質量，更不用說廣泛的庫有助於減輕工作量。 下面列出了將Python列為機器學習，深度學習和人工智能的頂級編程語言的各種功能：
●自由和開放源代碼的性質使其對社區友好，並保證長期改進
●詳盡的資料庫可確保為每個現有問題提供解決方案
●流暢的實施和集成，使技能水平各異的人都可以輕鬆地適應它
●通過減少編碼和調試時間來提高生產率
●還可用於軟計算，自然語言處理
●與C和C ++代碼模塊無縫協作
Python是您仍然可以閱讀的最強大的語言。-Pau Dubois
機器學習和深度學習的最佳Python庫
儘管有很多語言可供選擇，但是Python是對開發人員最友好的機器學習和深度學習編程語言之一，並且它具有廣泛的庫支持，可滿足您的每個用例和項目。
Best Python Libraries for Machine Learning (source)
●TensorFlow
革命就在這裡！ 歡迎使用TensorFlow 2.0。
TensorFlow是一個用於研究和生產的快速，靈活，可擴展的開源機器學習庫。
TensorFlow是可用於在Python上進行機器學習的最佳庫之一。 由Google提供的TensorFlow使初學者和專業人士都可以輕鬆構建ML模型。
使用TensorFlow，您可以使用TensorFlow Lite和TensorFlow Serving在移動平臺和高性能服務器上提供相同的好處，不僅可以在計算機上，而且可以在移動設備和服務器上創建和訓練ML模型。
TensorBoard(source)
TensorFlow引人注目的ML和DL中的一些重要領域是：
●處理深度神經網絡
●自然語言處理
●偏微分方程
●抽象能力
●圖像，文本和語音識別
●輕鬆協作的想法和代碼
核心任務：構建深度學習模型
要了解如何在TensorFlow中完成特定任務，可以參考TensorFlow教程。
●Keras
Keras是Python最受歡迎的開源神經網絡庫之一。 Keras最初由Google工程師為ONEIROS設計，是開放式神經電子智能機器人操作系統的縮寫，很快就在TensorFlow的核心庫中得到支持，從而使其可在TensorFlow上訪問。 Keras具有創建神經網絡所需的一些構造塊和工具，例如：
●神經層
●激活和費用功能
●目標
●批量歸一化
●輟學
●合併
Keras Snippet(source)
Keras通過ML和DL編程的這些附加功能擴展了TensorFlow的可用性。 藉助有用的社區和專用的Slack渠道，輕鬆獲得支持。 對卷積神經網絡和遞歸神經網絡的支持也與標準神經網絡一起存在。 您還可以參考斯坦福大學Keras和Computer Vision類中的其他示例模型。
●PyTorch
由Facebook開發的PyTorch是為數不多的Python機器學習庫之一。 除了Python之外，PyTorch還通過其C ++接口支持C ++。 作為最佳的機器學習和深度學習框架，PyTorch被認為是最佳競爭者之一，它面臨著TensorFlow的競爭。 您可以參考PyTorch教程以瞭解其他詳細信息。
Basic PyTorch Workflow(source)
使PyTorch與TensorFlow脫穎而出的一些重要功能包括：
●具有通過圖形處理單元加速處理能力的張量計算
●易於學習，使用並與Python生態系統的其餘部分集成
●支持在基於磁帶的自動差異系統上構建的神經網絡
PyTorch隨附的各種模塊可幫助創建和訓練神經網絡：
●張量—火炬。張量
Introduction to Pytorch Tensor(source)
●優化器— torch.optim模塊
●神經網絡— nn模塊
●Autograd
優點：非常可定製，廣泛用於深度學習研究
缺點：較少的NLP抽象，未針對速度進行優化
核心任務：開發和訓練深度學習模型
●Scikit學習
Scikit-learn是另一個活躍使用的Python機器學習庫。 它包括與不同的ML編程庫（如NumPy和Pandas）的輕鬆集成。 Scikit-learn附帶各種算法的支持，例如：
●分類
●迴歸
●聚類
●降維
●選型
●預處理
Scikit-learn圍繞易於使用但仍具有靈活性的思想而構建，它專注於數據建模，而不關注其他任務，例如數據的加載，處理，操縱和可視化。 從研究階段到部署，它足以用作端到端ML。 為了更深入地瞭解scikit-learn，可以查看Scikit-learn教程。
核心任務：建模
學習Scikit-學習-
●Pandas
Pandas是一個Python數據分析庫，主要用於數據處理和分析。 它在數據集準備訓練之前就起作用了。 熊貓使機器學習程序員無需費時地處理時間序列和結構化的多維數據。 熊貓在處理數據方面的一些出色功能包括：
●數據集的重塑和透視
●合併和合並數據集
●處理缺失數據和數據對齊
●各種索引選項，例如分層軸索引，花式索引
●數據過濾選項
Pandas snippet(source)
Pandas使用DataFrames，這只是通過向程序員提供DataFrame對象來表示數據的二維表示的技術術語。
核心任務：數據處理和分析
Google趨勢-隨時間變化的熊貓興趣
Google trends pandas(source)
●NLTK
NLTK代表自然語言工具包，是用於自然語言處理的Python庫。 它被認為是使用人類語言數據的最受歡迎的圖書館之一。 NLTK為程序員提供了簡單的接口以及大量的詞彙資源，例如FrameNet，WordNet，Word2Vec和其他幾種。 NLTK的一些亮點是：
●搜索文檔中的關鍵字
●文本的標記化和分類
●語音和手寫識別
●單詞的去詞和詞幹
NLTK snippet(source)
對於學生，工程師，研究人員，語言學家和使用語言的行業，NLTK及其軟件包套件被認為是可靠的選擇。
核心任務：文本處理
●Spark MLlib
MLlib是Apache Spark的可擴展機器學習庫
Spark MLlib由Apache開發，是一個機器學習庫，可輕鬆縮放計算。 它易於使用，快速，易於設置，並且可以與其他工具順利集成。 Spark MLlib立即成為開發機器學習算法和應用程序的便捷工具。
Spark MLlib帶到表中的工具是：
Spark Mllib Machine Learning Tools
使用Spark MLlib進行機器學習的程序員可以利用的一些流行算法和API是：
●迴歸
●聚類
●優化
●尺寸縮減
●分類
●基本統計
●特徵提取
●Theano
Theano是一個功能強大的Python庫，可輕鬆定義，優化和評估功能強大的數學表達式。 使Theano成為進行大規模科學計算的強大庫的一些功能包括：
●與GPU相比，支持GPU在重型計算中表現更好
●與NumPy的強大集成支持
●對最棘手的變量進行更快，更穩定的評估
●能夠為您的數學運算創建自定義C代碼
使用Theano，您可以快速開發一些最高效的機器學習算法。 在Theano之上構建的是一些著名的深度學習庫，例如Keras，Blocks和Lasagne。 有關Theano中更高級的概念，您可以參考Theano教程。
●MXNet
靈活高效的深度學習庫
MXnet — A flexible and efficient library for deep learning
如果您的專業領域包括深度學習，那麼您將發現MXNet非常適合。 MXNet用於訓練和部署深度神經網絡，具有高度可擴展性，並支持快速模型訓練。 Apache的MXNet不僅可以使用Python，而且還可以使用其他多種語言，包括C ++，Perl，Julia，R，Scala，Go等。
MXNet的可移植性和可伸縮性使您可以從一個平臺遷移到另一個平臺，並根據項目的苛刻需求進行擴展。 科技和教育領域的一些知名企業，例如英特爾，微軟，麻省理工學院等，目前都支持MXNet。 亞馬遜的AWS首選MXNet作為首選的深度學習框架。
●Numpy
The Numpy library
適用於Python的NumPy庫專注於處理大量的多維數據以及對數據進行操作的複雜數學函數。 NumPy可以快速計算和執行處理數組上的複雜函數。 支持NumPy的觀點很少：
●支持數學和邏輯運算
●形狀處理
●排序和選擇功能
●離散傅立葉變換
●基本的線性代數和統計運算
●隨機模擬
●支持n維數組
NumPy致力於一種面向對象的方法，並且具有用於集成C，C ++和Fortran代碼的工具，這使NumPy在科學界中非常受歡迎。
核心任務：數據清理和處理
Google趨勢-隨著時間的流逝，人們興趣濃厚
Google trends Numpy(source)
結論
Python是真正出色的開發工具，它不僅可以用作通用編程語言，還可以滿足項目或工作流的特定需求。 大量的庫和程序包擴展了Python的功能，使其全面發展，非常適合希望開發程序和算法的任何人。 上面已簡要討論了一些適用於Python的現代機器學習和深度學習庫，您可以對這些庫各自提供的內容有所瞭解。
(本文翻譯自Claire D.的文章《Best Python Libraries for Machine Learning and Deep Learning》，參考：https://towardsdatascience.com/best-python-libraries-for-machine-learning-and-deep-learning-b0bd40c7e8c)
閱讀更多 聞數起舞 的文章
