Python 超越許多其他編程語言，成為機(jī)器學(xué)習(xí)領(lǐng)域中最熱門最常用的編程語言之一。Python 在眾多開發(fā)者中如此受追捧的原因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，本文介紹了其中最受歡迎的10大Python庫。

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) 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)計之初就是為效率而生，以使項目從開發(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；而又因為大量的機(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)項目，那么你一定聽說過其中一個著名的框架——Tensorflow。Tensorflow 框架主要由 Google 大腦團(tuán)隊開發(fā)，主要用于深度學(xué)習(xí)計算。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，你其實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），一個運(yùn)算圖中包含了大量的張量（Tensor）運(yùn)算。而張量實際上就是 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 計算資源來實現(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)用計算資源的同時保持高效的運(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 是一個用于多維數(shù)組計算的 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)行張量計算，創(chuàng)建動態(tài)計算圖，并自動計算梯度。 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。

這個深度學(xué)習(xí)庫基于Torch，這是一個用 C 語言實現(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)計算圖” 的概念，而 PyTorch 用的是 “動態(tài)計算圖” 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)計用于快速有效地實現(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)實現(xiàn)，使其在機(jī)器學(xué)習(xí)開發(fā)人員中很受歡迎。 因為大多數(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)表示為多維實數(shù)數(shù)組。為了把這個庫應(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 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。其中一項了不起的功能便是它可以用一兩行代碼就能實現(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、合并數(shù)據(jù)、數(shù)據(jù)篩選、以及時間序列操作。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。

隨著時間的發(fā)展，sk-learn 不斷演進(jìn)。其中包括它加入了交叉驗證功能，提供了使用多個衡量指標(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 系列的另一個側(cè)重于圖像領(lǐng)域的工具庫。