小蓝xlanll

这个屌丝很懒，什么也没留下！

热门标签

构建您的AI时代武器库——常用的机器学习相关Python库_python 官方库机器学习

作者：小蓝xlanll | 2024-03-08 19:20:54

踩

python 官方库机器学习

在本文中，我们将介绍一系列Python中的第三方库，开发人员可以使用这些库来清洗、分析和可视化数据，实现机器学习相关的各种应用。

我们将会介绍以下 10 个库：

TensorFlow

Eli5

Theano

Python是目前最为流行，使用广泛的编程语言之一，已经取代了业界许多编程语言的地位。Python在开发人员中受欢迎的原因有很多，其中最重要的一个原因就是Python有大量可供用户使用的开源第三方库。Python的语法的简洁特性吸引了许多开发人员、厂商为其创建各种功能库，方便用户使用，其中就包括了大量机器学习类的库。由于有大量的开源库，Python在机器学习行业中备受欢迎。

我们即将介绍的第一个库是来自Google的TensorFlow。

TensorFlow

TensorFlow 是什么？

如果您目前正在使用Python进行机器学习项目，那么您很可能已经听说过这个流行的开源库。该库是 Google 与 Brain Team 合作开发的。Google 的每一个机器学习应用几乎都有 TensorFlow 的影子。

TensorFlow 的工作方式类似于一个计算库，用于编写大量张量运算的程序。由于神经网络可以很容易地表示为计算图，因此它们可以用 TensorFlow 作为对张量（Tensor）的一些列操作来实现。张量可以视为表述数据的N维矩阵。

TensorFlow 的特点

TensorFlow 针对速度进行了优化，并利用 XLA 等技术实现快速线性代数运算。
响应式构造：使用TensorFlow，我们可以轻松地将计算图的每一部分进行可视化，目前在使用 NumPy 或 SciKit 时并没有这个选项。
灵活性：TensorFlow 的一个非常重要的特性是，它的操作非常灵活。这意味着它实现了模块化，对于我们想要使其独立的部分，它可以提供这一选项。
易于训练：对于分布式计算，它可以很容易地在 CPU 上进行训练，也可以在 GPU 上进行训练。
并行化神经网络训练：TensorFlow 提供了管道。从某种意义上说，我们可以通过多个 GPU来训练多个神经网络，这使得模型在大型系统上非常高效。
大型社区：因为 TensorFlow 是由 Google 开发的，所以有大量软件工程师和爱好者在不断改进 TensorFlow 功能和性能。
开源：这个机器学习库最好的地方在于它是开源的，所以只要有互联网，任何人都可以使用它。

TensorFlow 在哪里使用？

实际上我们每天都在使用 TensorFlow，例如 Google 语音搜索或 Google 相册这样的应用都使用了TensorFlow训练的模型。

在 TensorFlow 中创建的所有库都是用 C 和 C++ 编写的。不过，它还有一个复杂的 Python 前端。我们的 Python 代码将会被编译，然后在使用 C 和 C++ 构建的 TensorFlow 分布式执行引擎上执行。

Scikit-Learn

Scikit-Learn 是什么？

Scikit-Learn 是一个与 NumPy 和 SciPy 相关的 Python 库。它被认为是处理复杂数据的首选库之一。这个库正在进行频繁升级。其中一个升级是提供交叉验证功能，这可以提高其使用多个度量的能力。许多机器学习模型训练方法，如逻辑回归和最近邻方法，都在进行改进。

Scikit-Learn 的特点

交叉验证：有多种方法可以检验监督机器学习模型对不可见数据的准确性。
无监督学习算法：Scikit-Learn提供了大量的机器学习算法，从聚类、因子分析和主成分分析到无监督神经网络。
特征提取：用于从图像和文本中提取特征（例如词袋“Bag-of-words”）。

Scikit-Learn 在哪里使用？

它可以应用于各种标准机器学习和数据挖掘任务，如降维、分类、回归、聚类和模型选择等。

NumPy

NumPy 是什么？

NumPy 被认为是 Python 中受欢迎的机器学习库之一。

TensorFlow 和其他库在内部使用 NumPy 在张量上执行多个操作。数组接口是 NumPy 最好也是最重要的特性。

NumPy 的特点

交互性：NumPy 交互性强，易于使用。
数学计算：使复杂的数学计算变得非常简单。
直观性：使编码和概念的掌握变得非常容易。
更新及时：得益于广泛的使用，因此有大量的开源贡献。

NumPy 在哪里使用？

NumPy 的接口可用于将图像、声波和其他二进制原始流表达为 N 维数组。

Keras

Keras 是什么？

Keras 被认为是 Python 中最酷的机器学习库之一。它提供了一种更简单的机制来表达神经网络。Keras 还为编译模型、处理数据集、图形可视化等提供了一些实用程序。

在后端，Keras 在内部使用 Theano 或 TensorFlow，也可以使用一些最流行的神经网络，如 CNTK。与其他机器学习库比较，Keras 的速度相对较慢。因为它是通过使用后端架构创建计算图，然后利用它来执行操作的。不过，Keras 的所有模型都是可移植的。

Keras 的特点

Keras 在 CPU 和 GPU 上都能顺利运行。
Keras 支持几乎所有的神经网络模型，包括完全连接的、卷积的、池化的、递归的、嵌入的等等。此外，这些模型还可以组合起来构建更为复杂的模型。
Keras 在本质上是模块化的，具有难以置信的表现力、灵活性，并易于创新研究。
Keras 是一个完全基于 Python 的框架，可以方便地进行调试和改写。

Keras 在哪里使用？

我们实际已经在不断地与 Keras 开发的功能进行交互：它在 Netflix、Uber、Yelp、Instacart、Zocdoc、Square 等其他许多公司都有应用。Keras 在那些将深度学习作为产品核心的初创公司中特别受欢迎，同时也是深度学习研究人员的最爱。大型科学组织，特别是 CERN（欧洲核子研究中心）和 NASA（美国国家航空航天局）的研究人员也采用了 Keras。

Keras 包含许多常用的神经网络构建块的实现，例如层、目标、激活函数、优化器和一系列工具，使图像和文本数据的处理变得更加容易。

此外，Keras 还提供了许多预处理的数据集和预训练模型，如 MNIST、VGG、Inception、SqueezeNet、ResNet 等等。

PyTorch

PyTorch 是什么？

PyTorch 是最大的机器学习库，它允许开发人员利用 GPU 的加速执行张量计算，创建动态计算图，并自动计算梯度。除此之外，PyTorch 还提供了丰富的 API，用于解决与神经网络相关的应用问题。

这个机器学习库是基于 Torch 的，Torch 是一个用 C 语言实现的开源机器学习库，在 Lua 中有个包装器。这个用 Python 编写的机器学习库是 2017 年推出的，自推出以来，吸引了越来越多的机器学习开发人员。

PyTorch 的特点

混合前端：新的混合前端在 Eager 模式（动态图模式）下提供了易用性和灵活性，同时在 C++ 运行时环境中无缝过渡到图形模式，以实现速度、优化和功能。
分布式训练：通过利用 Python 和 C++ 提供的异步执行集合操作和对等通信的本地支持，优化研究和生产中的性能。
Python 优先：PyTorch 并非绑定到单一 C++ 框架中的 Python。它是为了深入集成到 Python 中而构建的，因此它可以与流行的库和包（如 Cython 和 Numba 等）一起使用。
库和工具：一个由研究人员和开发人员组成的活跃社区，建立了一个丰富的工具和库生态系统，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 在哪里使用？

PyTorch 主要用于自然语言处理等应用。PyTorch在早期主要是由 Facebook 的人工智能研究小组开发的。Uber 的概率编程“Pyro”软件就是建立在这个基础上的。PyTorch 在很多方面都试图超越 TensorFlow，最近得到了很多关注。

LightGBM