Python 是全球最流行的編程語言之一，擁有越來越多的庫和框架。看看最新的。

Python 是全球最流行的編程語言之一，擁有越來越多的庫和框架來促進 AI 和ML 開發。Python 中有超過 250 個庫，要知道哪個庫最適合您的項目并跟上所有這些庫帶來的技術變化和趨勢，可能會有點令人困惑。

下面是我使用過的流行的 Python 機器學習庫。我盡我所能根據哪些場景使用它們來對它們進行分類。除了這些之外，還有很多庫，但我無法談論我沒有使用過的庫，我認為這些是使用最多的庫。

NumPy

NumPy 是一個眾所周知 的通用數組處理包，與其他機器學習包不同。對于 n 維數組(向量、矩陣和高階矩陣)，NumPy 提供了高性能(本機編譯)支持和對各種操作的支持。它支持向量化操作，特別是，將 Python 表達式轉換為低級代碼調度，隱式循環跨數據的不同子集。

NumPy 函數

numpy.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None, axis=0)

函數的 start 和 stop 參數都是必需的，它們返回的值均勻分布在預定的時間間隔內。

• numpy.repeat

使用 numpy.repeat(a, repeats, axis=None) 方法重復數組的元素。第二個輸入重復指定重復次數。

• numpy.random.randint

函數 numpy.random.randint(low, high=None, size=None, dtype='l') 從 [low, high] 返回隨機整數。如果高參數不存在(無)，則從范圍 [0, low] 中選擇隨機數。

為什么 Numpy 如此受歡迎?

簡而言之，NumPy 優化和預編譯的 C 代碼可以處理所有繁重的工作，使其比標準Python 數組更快。

NumPy 使科學計算中經常使用的許多數學程序變得快速且易于使用。

Pandas

Pandas 正迅速成為使用最廣泛的 Python 數據分析庫，因為它支持處理“關系”和“標記”數據的快速、適應性和表達性數據結構。存在需要 Pandas 的實際和現實世界的 Python 數據分析問題。Pandas 提供徹底優化和高度可靠的性能。只有 C 或 Python 用于純粹編寫后端代碼。

一些Pandas功能

pd.read_csv, pd.read_excel

要提到的第一個函數是 read_csv 或 read_excel。這些功能已經提供了清晰的解釋。我利用它們將 CSV 或 Excel 文件中的數據讀取為 pandas DataFrame 格式。

df = pd.read_csv("PlayerStat.csv")

.read csv() 函數還可以使用以下語法讀取 .txt 文件：

data = pd.read_csv(file.txt, sep=" ")

• df.query()

布爾表達式可以過濾或查詢數據。我可以使用查詢函數作為字符串應用過濾條件。與許多其他程序相比，它提供了更多的自由。

df.query("A > 4")

僅返回 A 大于 4 的行。

• df.iloc()

我將行和列索引作為參數傳遞給該函數，該函數返回 DataFrame 的適當子集。

• df[‘’].dtypes

另一個非常基礎和流行的功能。在開始任何分析、可視化或預測建模之前，必須知道變量的數據類型。使用這種技術，您可以獲得每一列的數據類型。

• df.dtypes

Pandas vs Vaex

Vaex Python 是 Pandas 庫的替代品，它使用 Out of Core Dataframe 更快地計算大量數據。為了查看和研究大型表格數據集，Vaex 是一個高性能 Python 模塊，用于惰性核心外數據幀(類似于 Pandas)。每秒可以使用簡單的統計數據計算超過 10 億行。它支持各種可視化，允許大量交互式數據探索。

TensorFlow

TensorFlow 是由 Google創建和發布的用于快速數值計算的 Python 庫 。Tensorflow 使用與 Theano 有所不同的語言和函數名稱，這可能會使從 Theano 的切換變得比它必須的更復雜。然而，Tensorflow 中的整個計算圖的運行方式與 Theano 中的類似，具有相同的優點和缺點。即使對計算圖的修改對性能有重大影響，Tensorflow 的 eval 函數也只是讓觀察中間狀態變得稍微容易一些。與幾年前的 Theano 和 Caffe 相比，Tensorflow 是首選的深度學習技術。

TensorFlow 內置函數

• tf.zeros_like

該函數的輸出是一個與輸入張量具有相同類型和形狀但值為零的張量。

tensor = tf.constant( I[1, 2, 3], [4, 5, 6]])
tf.zeros_like( tensor) # [ [0, 0, 0], [0, 0,0]

從輸入圖像創建黑色圖像時，此功能可能會有所幫助。如果您希望直接定義表單，請使用 tf.zeros。如果您更喜歡初始化 1 而不是 0，請使用 tf.ones_like。

• tfpad

用常數值在其周圍添加指定的填充以增加張量的維度。

• tf.enable_eager_execution

這可以在您運行 TensorFlow 應用程序時幫助您。使用 Eager Execution 時，您不需要在會話中構建和運行圖。這是有關急切執行的更多信息。

“Eager execution”必須是導入 TensorFlow 后的第一條語句。

TensorFlow 與 PyTorch

Torch 的 Python 實現 Pytorch 得到 Facebook 的支持。它通過提供即時圖形編譯與上述技術競爭，通過不將圖形視為不同和不透明的對象，使 Pytorch 代碼與周圍的 Python 更加兼容。相反，有許多靈活的技術可以即時構建張量計算。此外，它表現良好。它具有強大的多 GPU 能力，很像 Tensorflow;然而，Tensorflow 仍然適用于更大規模的分布式系統。雖然 Pytorch 的 API 文檔齊全，但 Tensorflow 或 Keras 的 API 更加完善。然而，Pytorch 在不影響性能的情況下在靈活性和可用性方面取得了勝利，這無疑迫使 Tensorflow 重新思考和調整。Tensorflow 最近受到 Pytorch 的嚴重挑戰，

Keras

Keras 是一個開源軟件庫，為人工神經網絡提供 Python 接口。由于 Keras 名義上是獨立于引擎的，所以理論上 Keras 代碼可以被重用，即使引擎需要因性能或其他因素而改變。它的缺點是，當您希望創建非常新穎或專業的架構時，通常需要在 Keras 層下使用 Tensorflow 或 Theano。這主要發生在您需要使用復雜的 NumPy 索引時，這對應于 Tensorflow 中的聚集/分散和 Theano 中的 set/inc 子張量。

Keras 函數

• 評估與預測

在 Keras 中，evaluate() 和 predict() 都可用。這些技術可以利用 NumPy 數據集。當數據經過測試后，我完成了對結果的評估。我使用這些技術來評估我們的模型。

• Keras 中的圖層

每個 Keras 層都包含許多技術。這些層有助于構建、配置和訓練數據。密集層有助于操作實現。我使用 flat 展平了輸入。Dropout 啟用輸入丟失。我可以使用重塑工具重塑輸出。我使用輸入啟動了一個 Keras 張量。

您可以獲得中間層的輸出。

一個相當簡單的庫是 Keras。它使得從層的中間層獲取輸出成為可能。您可以輕松地向現有層添加一個新層，以幫助您在中間獲得輸出。

Theano

Theano 是一個 Python 庫和優化編譯器，用于操作和評估數學表達式，尤其是矩陣值表達式。作為最古老和最成熟的，為 Theano 提供了優勢和劣勢。大多數用戶請求的功能都已添加，因為它是舊版本。但是，其中一些實現有點過于復雜且難以使用，因為沒有先例可循。該文檔是可以通過但模棱兩可的。由于沒有簡單的方法來檢查中間計算，因此在 Theano 中讓復雜的項目正常運行可能非常具有挑戰性。他們通常使用調試器或通過查看計算圖來進行調試。

Theano 函數

• 聲明變量

我用 dscalar 方法聲明了一個十進制標量變量。當下面的語句運行時，它會在您的程序代碼中添加一個名為 C 的變量。

C = tensor.dscalar()

• 定義 Theano 函數

該函數接受兩個參數，第一個是輸入，第二個是函數的輸出。根據下面的聲明，第一個參數是一個包含 C 和 D 兩項的數組。結果是一個標量單位，指定為 E。

f = theano.function([C,D], E)

結論

我見過一個高技能的 Python 程序員迅速掌握新庫的精妙之處并了解如何使用它。但是，無論是初學者、中級還是專家，選擇一種編程語言還是在這種情況下選擇一個庫而不是另一個庫，很大程度上取決于您項目的目標和需求。