【51CTO.com快譯】如今，Python已是流行、且使用廣泛的編程語言之一，它已經取代了業界許多編程語言。Python備受開發人員歡迎的一項主要原因是，它能夠為用戶提供大量可供使用的庫集合。

在本文中，我們將和您討論Python中的一些庫。開發人員可以使用它們來編寫、清理和表示數據，并且能夠在現有的各種應用程序中實現機器學習的效果。它們分別是：

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

[[272293]]

1.TensorFlow

什么是TensorFlow?

如果您目前正在使用Python進行機器學習項目開發的話，那么您一定聽說過TensorFlow這一流行的開源庫。它是由Google與Brain Team合作開發而成，主要用于機器學習類應用的開發。

TensorFlow的工作方式類似于編寫大量涉及張量(tensor)操作的新的算法庫。由于神經網絡可以很容易地被表示為計算圖形，因此它們可以使用TensorFlow，來作為張量上的一系列操作予以實現。此處，張量表示為數據的N維矩陣。

TensorFlow的特點

TensorFlow針對速度進行了優化。它利用XLA等技術，實現了快速線性代數的運算。

• 響應式構建

使用TensorFlow，我們可以輕松地可視化圖形的每一個部分。而下面將要提到的NumPy或SciKit則無此選項。

• 靈活

由于具有模塊化的特點，因此Tensorflow在功能上具有靈活的可操作性，用戶可以只選用其需要的獨立部分。

• 易于訓練

它可以通過CPU和GPU的訓練方式，輕松地實現分布式計算。

• 并行神經網絡訓練

由于TensorFlow提供了流水線式的操作，因此從某種意義上說，您可以訓練多個神經網絡和多個GPU。這對于大規模系統上的模型來說是非常高效的。

• 大型社區

毋庸置疑，由于是Google開發的，因此一大批軟件工程師會持續致力于其穩定性的改進。

• 開源

由于是開源的，因此只要有互聯網的連接，任何人都可以使用到它。

TensorFlow的接受度

大家所熟悉的Google語音搜索、以及Google相冊等應用都是由TensorFlow庫所開發的。雖然由TensorFlow所創建的庫集合都是用C和C++編寫的，但是它擁有一個復雜的Python前端。因此，您的Python代碼將會被它所編譯，然后再由C和C ++構建的TensorFlow分布式引擎所執行。

2.Scikit-Learn

什么是Scikit-Learn?

它是一個與NumPy和SciPy相關聯的Python庫，被認為是處理復雜數據的Python庫之一。Scikit-Learn有很多改進版本，其中的一種是通過交叉驗證的功能，以及提供多個參數指標，來改進諸如邏輯回歸、以及最近鄰居等多種訓練的方法。

Scikit-Learn的特點

• 交叉驗證：它提供許多方法來檢查、監督模型對于不可見數據的準確性。
• 無監督學習算法：同樣，它也提供包括聚類、因子分析、主成分分析、以及無監督神經網絡等的大量算法。
• 特征提取：能夠被用于從圖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實現標準機器學習、以及數據挖掘任務的算法。例如：降低維度、分類、回歸、聚類和模型選擇等。

3.NumPy

什么是NumPy?

NumPy被認為是Python中受歡迎的機器學習庫之一。TensorFlow和其他庫在內部都會使用NumPy來執行多種操作。其中，數組接口是NumPy好用、也是重要的功能之一。

NumPy特點

• 交互式：NumPy具有強交互性、且易于被使用。
• 數學性：通過復雜的數學，將實現變得非常簡單。
• 直觀：能夠將編碼、及概念變得簡單易懂。
• 強交互性：由于得到了廣泛的使用，因此它獲得了更多的開源貢獻。

NumPy的接受度

NumPy庫接口可以被用于將圖像、聲波、以及其他二進制原始流，表達為N維實數數組。為了更好地將其用于機器學習，全棧工程師有必要對其深入了解。

4.Keras

什么是Keras?

Keras被認為是酷炫的機器學習類Python庫之一。它提供了一種更容易表達神經網絡的機制。同時，Keras還提供了一些可用于編譯模型、處理數據集、圖形可視化等方面的工具。

Keras在后端內部使用的是Theano或TensorFlow。它可以被用在諸如CNTK之類的各種流行的神經網絡上。與其他機器學習類型的庫相比，由于Keras通過使用后端的基礎架構來創建計算圖形，因此其后續的執行操作相對較慢。另外，Keras的所有模型都是可被移植的。

Keras的特點

• Keras在CPU和GPU上都能夠順利地運行。
• Keras幾乎支持神經網絡中的所有模型，包括：完全連接、卷積、匯集、循環、嵌入等。此外，這些模型也可以被組合起來構建更為復雜的模型。
• Keras的模塊化特性，具有非凡的表現力、靈活性，且適合于創新類研究。
• Keras是一個完全基于Python的框架，開發人員可以輕松進行各種調試。

Keras的接受度

如今，諸如Netflix、Uber、Yelp、Instacart、Zocdoc、以及Square等眾多網站都使用到了Keras構建的交互性功能。許多初創型公司都愿意在其產品核心中用到Keras所提供的深度學習技術。

Keras包含了許多神經網絡常用的構建模塊，例如：各個層、對象、激活函數、優化器、以及一系列可供處理圖像與文本數據工具。

此外，它還提供了許多預處理數據的集合、以及預訓練的模型，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，被深度學習研究人員所喜愛的Python庫。一些大型科學組織，特別是CERN和NASA的研究人員，都會用到Keras。

5.PyTorch

什么是PyTorch?

PyTorch是一個大型的機器學習庫，它允許開發人員通過GPU加速，來執行張量計算、創建動態計算圖、并自動計算出梯度。此外，PyTorch還提供了豐富的API，可用于解決與神經網絡相關的應用問題。

基于Torch的PyTorch是一個用C語言實現的開源機器學習庫。當然，它也帶有Lua的包裝器。

PyTorch的特點

混合前端

新的混合前端在eager模式下，保證了易用性和靈活性。在被無縫地轉換到graph模式后，它能夠在C++的運行環境中保證速度、優化和相應的功能。

• 分布式訓練

得益于Python和C++能夠訪問到對等式通信的優點，它能夠對集合式操作和異步執行提供原生的支持，并且能夠優化研究、以及生產環境中的性能。

• Python優先

PyTorch并非是一種Python綁定的單體式(monolithic)C++框架。它是為深入地集成到Python中而構建的。因此它可以與各種流行的庫、以及Cython和Numba等軟件包一同使用。

• 庫和工具

由活躍的研究人員與開發人員所構成的社區，實現了一個豐富的工具與庫的生態系統。該系統可以被用于擴展PyTorch、并支持從計算機視覺到強化學習等領域的開發。

PyTorch的接受度

PyTorch由Facebook的人工智能研究小組所開發，主要被用于自然語言處理等應用，例如，Uber的Pyro軟件就將它用到了概率編程上。

如今，PyTorch在許多方面都超越了TensorFlow，并且持續引起了更多的關注。

6.LightGBM

什么是LightGBM?

Gradient Boosting是目前好用且流行的機器學習庫之一。它通過使用重新定義的基本模型與決策樹，來幫助開發人員構建新的算法。它所提供的LightGBM、XGBoost和CatBoost等特殊庫，有助于解決常見的各種問題。

LightGBM的特點

• 高速的計算能力，確保了較高的生產率。
• 界面直觀，且對用戶友好。
• 訓練的速度比其他深度學習庫要快。
• 在計算NaN值和其他規范值時，不容易產生錯誤。

LightGBM的接受度

由于具有高度可擴展性、能夠優化和快速實現梯度增強，因此LightGBM備受機器學習開發人員，特別是全棧工程師的歡迎。

7.Eli5

什么是Eli5?

大多數情況下，機器學習模型的預測結果并不太準確，而Eli5內置Python的機器學習庫卻有助于克服這一點。它是對所有機器學習模型的可視化和調試的組合，并且能夠跟蹤某個算法的所有步驟。

Eli5的特點

此外，Eli5能夠支持XGBoost、lighting、scikit-learn和sklearn-crfsuite等其他庫，并且可以實現它們不同的任務。

Eli5的接受度

• 適用于需要在短時間內進行大量計算的數學應用程序。
• 在與其他Python包存在依賴關系時，Eli5能夠起到重要的作用。
• 能夠在各個領域實施傳統的應用程序、以及更新的方法。

8.SciPy

什么是SciPy?

SciPy是一個面向應用程序開發人員和工程師的機器學習庫。與SciPy堆棧不同，SciPy庫包含了用于優化、線性代數、積分和統計的模塊。

SciPy的特點

SciPy庫的主要特點是使用到了NumPy來進行開發，因此它的數組充分利用了NumPy的特點。此外，SciPy提供了諸如優化、數值積分和其他特定的子模塊。這些所有子模塊里的所有功能都有著詳細配套的文檔。

SciPy的接受度

由于SciPy是一個使用NumPy來解決數學函數的庫，因此SciPy采用NumPy數組作為基本的數據結構，并附帶了用于科學編程的各種常用任務模塊。

SciPy可以輕松地處理包括：線性代數、積分(微積分)、常微分方程求解、以及信號處理在內的各項任務。

9.Theano

什么是Theano?

Theano是一個在Python中可用于計算多維數組的機器學習類框架庫。Theano的工作方式類似于TensorFlow，但是其效率不及TensorFlow，因此不太適合生產環境。不過，與TensorFlow類似，Theano也可以被用于分布式或并行的環境之中。

Theano的特點

• 與NumPy緊密集成 - 用戶能夠在Theano所編譯的函數中完整地使用到NumPy數組。
• 透明地使用GPU - 執行數據密集型計算比在CPU上更快。
• 高效的符號區分 - Theano通過一個或多個輸入，為您的函數提供衍生工具。
• 速度和穩定性優化 - 即使x非常小，也能獲得正確的log(1+x)的答案。
• 生成動態C語言代碼 - 評估表達式的速度更快更高效。
• 廣泛的單元測試和自我驗證 – 能夠檢測和診斷模型中的多種類型錯誤。

Theano的接受度

由于Theano表達式的實際語法，僅在抽象意義上定義、編譯了后續的實際計算，因此它對于習慣了正常軟件開發的初學者來說，并不太合適。不過，在被專門用于處理深度學習時，它使用到了大型神經網絡算法所需的各種計算類型。另外，由于早在2007年就被開發出來了，因此Theano被認為是深度學習研究和開發的行業標準。

我們樂觀地估計，Theano的受歡迎程度會隨著時間的推移而增長。

10.Pandas

什么是Pandas?

Pandas也是一種Python類機器學習庫，它提供了高級的數據結構和各種分析類工具。Pandas庫重要的一個特性是：能夠使用一個或兩個命令，將復雜的操作與數據進行轉換。Pandas有許多內置的分組方法，其中包括：數據、過濾以及時間序列功能。

Pandas的特點

Pandas能夠讓我們操作數據的整個過程更加容易。Pandas的功能主要包括：支持重新索引、迭代、排序、聚合、連接、以及可視化等操作。

Pandas的接受度

目前，Pandas庫的各種發布版主要集中在錯誤修復、增強功能和API修改等方面。Pandas的最近一次改進，能夠讓它實現對于數據的分組與排序。它能夠為應用選擇適合的輸出方法，并為執行各種自定義類型的操作提供支持。用戶在使用Pandas與其他庫工具一同進行數據分析時，能夠獲取較高的性能與靈活性。

原文標題：Top 10 Python Libraries You Must Know in 2019，作者：Sayantini Deb

【51CTO譯稿，合作站點轉載請注明原文譯者和出處為51CTO.com】