python機器學習庫的簡單介紹

本文目錄一覽：

• 1、python機器學習方向的第三方庫是什麼
• 2、pytorch是什麼？
• 3、人工智能 Python深度學習庫有哪些
• 4、常用Python機器學習庫有哪些

python機器學習方向的第三方庫是什麼

Python開發工程師必知的十大機器學習庫：

一、Scikit-Learn

在機器學習和數據挖掘的應用中，Scikit-Learn是一個功能強大的Python包，我們可以用它進行分類、特徵選擇、特徵提取和聚集。

二、Statsmodels

Statsmodels是另一個聚焦在統計模型上的強大的庫，主要用於預測性和探索性分析，擬合線性模型、進行統計分析或者預測性建模，使用Statsmodels是非常合適的。

三、PyMC

PyMC是做貝葉斯曲線的工具，其包含貝葉斯模型、統計分布和模型收斂的診斷工具，也包含一些層次模型。

四、Gensim

Gensim被稱為人們的主題建模工具，其焦點是狄利克雷劃分及變體，其支持自然語言處理，能將NLP和其他機器學習算法更容易組合在一起，還引用Google的基於遞歸神經網絡的文本表示法word2vec。

五、Orange

Orange是一種帶有圖形用戶界面的庫，在分類、聚集和特徵選擇方法方面，相當齊全，還有交叉驗證的方法。

六、PyMVPA

PyMVPA是一種統計學習庫，包含交叉驗證和診斷工具，但沒有Scikit-learn全面。

七、Theano

Theano是最成熟的深度學習庫，它提供不錯的數據結構表示神經網絡的層，對線性代數來說很高效，與Numpy的數組類似，很多基於Theano的庫都在利用其數據結構，它還支持開箱可用的GPU編程。

八、PyLearn

PyLearn是一個基於Theano的庫，它給Theano引入了模塊化和可配置性，可以通過不同的配置文件來創建神經網絡。

九、Hebel

Hebel是一個帶有GPU支持的神經網絡庫，可以通過YAML文件決定神經網絡的屬性，提供了將神級網絡和代碼友好分離的方式，並快速地運行模型，它是用純Python編寫，是很友好的庫，但由於開發不久，就深度和廣大而言，還有些匱乏!

十、Neurolab

Neurolab是一個API友好的神經網絡庫，其包含遞歸神經網絡實現的不同變體，如果使用RNN，這個庫是同類API中最好的選擇之一。

pytorch是什麼？

PyTorch是一個開源的Python機器學習庫，基於Torch，用於自然語言處理等應用程序。

由Facebook人工智能研究院（FAIR）基於Torch推出了PyTorch。它是一個基於Python的可續計算包，提供兩個高級功能：具有強大的GPU加速的張量計算（如NumPy）。包含自動求導系統的深度神經網絡。

發展：

PyTorch的前身是Torch，其底層和Torch框架一樣，但是使用Python重新寫了很多內容，不僅更加靈活，支持動態圖，而且提供了Python接口。它是由Torch7團隊開發，是一個以Python優先的深度學習框架，不僅能夠實現強大的GPU加速，同時還支持動態神經網絡。

PyTorch既可以看作加入了GPU支持的numpy，同時也可以看成一個擁有自動求導功能的強大的深度神經網絡。除了Facebook外，它已經被Twitter、CMU和Salesforce等機構採用。

人工智能 Python深度學習庫有哪些

由於Python的易用性和可擴展性，眾多深度學習框架提供了Python接口，其中較為流行的深度學習庫如下：

第一：Caffe

Caffe是一個以表達式、速度和模塊化為核心的深度學習框架，具備清晰、可讀性高和快速的特性，在視頻、圖像處理方面應用較多。

Caffe中的網絡結構與優化都以配置文件形式定義，容易上手，無須通過代碼構建網絡;網絡訓練速度快，能夠訓練大型數據集與State-of-the-art的模型，模塊化的組件可以方便地拓展到新的模型與學習任務上。

第二：Theano

Theano誕生於2008年，是一個高性能的符號計算及深度學習庫，被認為是深度學習庫的始祖之一，也被認為是深度學習研究和應用的重要標準之一。其核心是一個數學表達式的編譯器，專門為處理大規模神經網絡訓練的計算而設計。

Theano很好地整合了Numpy，可以直接使用Numpy的Ndarray，使得API接口學習成本大為降低;其計算穩定性好，可以精準地計算輸出值很小的函數;可動態地生成C或者CUDA代碼，用來編譯成高效的機器代碼。

第三：TensorFlow

TensorFlow是相對高階的機器學習庫，其核心代碼使用C++編寫，並支持自動求導，使得用戶可以方便地設計神經網絡結構，不需要親自編寫C++或CUDA代碼，也無須通過反向傳播求解梯度。由於底層使用C++語言編寫，運行效率得到了保證，並簡化線上部署的複雜度。

TensorFlow不只局限於神經網絡，其數據流式圖還支持非常自由的算法表達，也可以輕鬆實現深度學習以外的機器學習算法。

第四：Keras

Keras是一個高度模塊化的神經網絡庫，使用Python實現，並可以同時運行在TensorFlow和Theano上。

Keras專精於深度學習，其提供了到目前為止最方便的API，用戶僅需將高級的模塊拼在一起便可設計神經網絡，大大降低了編程開銷與理解開銷。

常用Python機器學習庫有哪些

Python作為一門理想的集成語言，將各種技術綁定在一起，除了為用戶提供更方便的功能之外，還是一個理想的粘合平台，在開發人員與外部庫的低層次集成人員之間搭建連接，以便用C、C++實現更高效的算法。

使用Python編程可以快速遷移代碼並進行改動，無須花費過多的精力在修改代碼與代碼規範上。開發者在Python中封裝了很多優秀的依賴庫，可以直接拿來使用，常見的機器學習庫如下：

1、Scikit-Learn

Scikit-Learn基於Numpy和Scipy，是專門為機器學習建造的一個Python模塊，提供了大量用於數據挖掘和分析的工具，包括數據預處理、交叉驗證、算法與可視化算法等一系列接口。

Scikit-Learn基本功能可分為六個部分：分類、回歸、聚類、數據降維、模型選擇、數據預處理。其中集成了大量分類、回歸、聚類功能，包括支持向量機、邏輯回歸、隨機森林、樸素貝葉斯等。

2、Orange3

Orange3是一個基於組件的數據挖掘和機器學習軟件套裝，支持Python進行腳本開發。它包含一系列的數據可視化、檢索、預處理和建模技術，具有一個良好的用戶界面，同時也可以作為Python的一個模塊使用。

用戶可通過數據可視化進行數據分析，包含統計分布圖、柱狀圖、散點圖，以及更深層次的決策樹、分層聚簇、熱點圖、MDS等，並可使用它自帶的各類附加功能組件進行NLP、文本挖掘、構建網絡分析等。

3、XGBoost

XGBoost是專註於梯度提升算法的機器學習函數庫，因其優良的學習效果及高效的訓練速度而獲得廣泛的關注。XGBoost支持並行處理，比起同樣實現了梯度提升算法的Scikit-Learn庫，其性能提升10倍以上。XGBoost可以處理回歸、分類和排序等多種任務。

4、NuPIC

NuPIC是專註於時間序列的一個機器學習平台，其核心算法為HTM算法，相比於深度學習，其更為接近人類大腦的運行結構。HTM算法的理論依據主要是人腦中處理高級認知功能的新皮質部分的運行原理。NuPIC可用於預測以及異常檢測，使用面非常廣，僅要求輸入時間序列即可。

5、Milk

Milk是Python中的一個機器學習工具包。Milk注重提升運行速度與降低內存佔用，因此大部分對性能敏感的代碼都是使用C++編寫的，為了便利性在此基礎上提供Python接口。重點提供監督分類方法，如SVMs、KNN、隨機森林和決策樹等。