美麗的python分類文章列表,python之美

本文目錄一覽：

• 1、13個最常用的Python深度學習庫介紹
• 2、四、 python中的數據類型——列表
• 3、Python有哪些種類？

13個最常用的Python深度學習庫介紹

13個最常用的Python深度學習庫介紹

如果你對深度學習和卷積神經網路感興趣，但是並不知道從哪裡開始，也不知道使用哪種庫，那麼這裡就為你提供了許多幫助。

在這篇文章里，我詳細解讀了9個我最喜歡的Python深度學習庫。

這個名單並不詳盡，它只是我在計算機視覺的職業生涯中使用並在某個時間段發現特別有用的一個庫的列表。

這其中的一些庫我比別人用的多很多，尤其是Keras、mxnet和sklearn-theano。

其他的一些我是間接的使用，比如Theano和TensorFlow（庫包括Keras、deepy和Blocks等）。

另外的我只是在一些特別的任務中用過（比如nolearn和他們的Deep Belief Network implementation）。

這篇文章的目的是向你介紹這些庫。我建議你認真了解這裡的每一個庫，然後在某個具體工作情境中你就可以確定一個最適用的庫。

我想再次重申，這份名單並不詳盡。此外，由於我是計算機視覺研究人員並長期活躍在這個領域，對卷積神經網路（細胞神經網路）方面的庫會關注更多。

我把這個深度學習庫的列表分為三個部分。

第一部分是比較流行的庫，你可能已經很熟悉了。對於這些庫，我提供了一個通俗的、高層次的概述。然後，針對每個庫我詳細解說了我的喜歡之處和不喜歡之處，並列舉了一些適當的應用案例。

第二部分進入到我個人最喜歡的深度學習庫，也是我日常工作中使用最多的，包括：Keras、mxnet和sklearn-theano等。

最後，我對第一部分中不經常使用的庫做了一個「福利」板塊，你或許還會從中發現有用的或者是在第二板塊中我還沒有嘗試過但看起來很有趣的庫。

接下來就讓我們繼續探索。

針對初學者：

Caffe

提到「深度學習庫」就不可能不說到Caffe。事實上，自從你打開這個頁面學習深度學習庫，我就敢打保票你肯定聽說Caffe。

那麼，究竟Caffe是什麼呢？

Caffe是由Berkeley Vision and Learning Center（BVLC）建立的深度學習框架。它是模塊化的，速度極快。而且被應用於學術界和產業界的start-of-the-art應用程序中。

事實上，如果你去翻閱最新的深度學習出版物（也提供源代碼），你就很可能會在它們相關的GitHub庫中找到Caffe模型。

雖然Caffe本身並不是一個Python庫，但它提供綁定到Python上的編程語言。我們通常在新領域開拓網路的時候使用這些綁定。

我把Caffe放在這個列表的原因是它幾乎被應用在各個方面。你可以在一個空白文檔里定義你的模型架構和解決方案，建立一個JSON文件類型的.prototxt配置文件。Caffe二進位文件提取這些.prototxt文件並培訓你的網路。Caffe完成培訓之後，你可以把你的網路和經過分類的新圖像通過Caffe二進位文件，更好的就直接通過Python或MATLAB的API。

雖然我很喜歡Caffe的性能（它每天可以在K40 GPU上處理60萬張圖片），但相比之下我更喜歡Keras和mxnet。

主要的原因是，在.prototxt文件內部構建架構可能會變得相當乏味和無聊。更重要的是， Caffe不能用編程方式調整超參數！由於這兩個原因，在基於Python的API中我傾向於對允許我實現終端到終端聯播網的庫傾斜（包括交叉驗證和調整超參數）。

Theano

在最開始我想說Theano是美麗的。如果沒有Theano，我們根本不會達到現有的深度學習庫的數量（特別是在Python）。同樣的，如果沒有numpy，我們就不會有SciPy、scikit-learn和 scikit-image,，同樣可以說是關於Theano和深度學習更高級別的抽象。

非常核心的是，Theano是一個Python庫，用來定義、優化和評估涉及多維數組的數學表達式。 Theano通過與numpy的緊密集成，透明地使用GPU來完成這些工作。

雖然可以利用Theano建立深度學習網路，但我傾向於認為Theano是神經網路的基石，同樣的numpy是作為科學計算的基石。事實上，大多數我在文章中提到的庫都是圍繞著Theano，使自己變得更加便利。

不要誤會我的意思，我愛Theano，我只是不喜歡用Theano編寫代碼。

在Theano建設卷積神經網路就像只用本機Python中的numpy寫一個定製的支持向量機（SVM），當然這個對比並不是很完美。

你可以做到嗎？

當然可以。

它值得花費您的時間和精力嗎？

嗯，也許吧。這取決於你是否想擺脫低級別或你的應用是否需要。

就個人而言，我寧願使用像Keras這樣的庫，它把Theano包裝成更有人性化的API，同樣的方式，scikit-learn使機器學習演算法工作變得更加容易。

TensorFlow

與Theano類似，TensorFlow是使用數據流圖進行數值計算的開源庫（這是所有神經網路固有的特徵）。最初由谷歌的機器智能研究機構內的Google Brain Team研究人員開發，此後庫一直開源，並提供給公眾。

相比於Theano ，TensorFlow的主要優點是分散式計算，特別是在多GPU的環境中（雖然這是Theano正在攻克的項目）。

除了用TensorFlow而不是Theano替換Keras後端，對於TensorFlow庫我並沒有太多的經驗。然而在接下來的幾個月里，我希望這有所改變。

Lasagne

Lasagne是Theano中用於構建和訓練網路的輕量級庫。這裡的關鍵詞是輕量級的，也就意味著它不是一個像Keras一樣圍繞著Theano的重包裝的庫。雖然這會導致你的代碼更加繁瑣，但它會把你從各種限制中解脫出來，同時還可以讓您根據Theano進行模塊化的構建。

簡而言之：Lasagne的功能是Theano的低級編程和Keras的高級抽象之間的一個折中。

我最喜歡的：

Keras

如果我必須選出一個最喜歡的深度學習Python庫，我將很難在Keras和mxnet中做出抉擇——但最後，我想我會選Keras。

說真的，Keras的好處我說都說不完。

Keras是一個最低限度的、模塊化的神經網路庫，可以使用Theano或TensorFlow作為後端。Keras最主要的用戶體驗是，從構思到產生結果將會是一個非常迅速的過程。

在Keras中架構網路設計是十分輕鬆自然的。它包括一些state-of-the-art中針對優化（Adam，RMSProp）、標準化（BatchNorm）和激活層（PReLU，ELU，LeakyReLU）最新的演算法。

Keras也非常注重卷積神經網路，這也是我十分需要的。無論它是有意還是無意的，我覺得從計算機視覺的角度來看這是非常有價值的。

更重要的是，你既可以輕鬆地構建基於序列的網路（其中輸入線性流經網路）又可以創建基於圖形的網路（輸入可以「跳過」某些層直接和後面對接）。這使得創建像GoogLeNet和SqueezeNet這樣複雜的網路結構變得容易得多。

我認為Keras唯一的問題是它不支持多GPU環境中並行地訓練網路。這可能會也可能不會成為你的大忌。

如果我想儘快地訓練網路，那麼我可能會使用mxnet。但是如果我需要調整超參數，我就會用Keras設置四個獨立的實驗（分別在我的Titan X GPUs上運行）並評估結果。

mxnet

我第二喜歡的深度學習Python庫無疑就是mxnet（重點也是訓練圖像分類網路）。雖然在mxnet中站立一個網路可能需要較多的代碼，但它會提供給你驚人數量的語言綁定（C ++、Python、R、JavaScript等）。

Mxnet庫真正出色的是分散式計算，它支持在多個CPU / GPU機訓練你的網路，甚至可以在AWS、Azure以及YARN集群。

它確實需要更多的代碼來設立一個實驗並在mxnet上運行（與Keras相比），但如果你需要跨多個GPU或系統分配訓練，我推薦mxnet。

sklearn-theano

有時候你並不需要終端到終端的培養一個卷積神經網路。相反，你需要把CNN看作一個特徵提取器。當你沒有足夠的數據來從頭培養一個完整的CNN時它就會變得特別有用。僅僅需要把你的輸入圖像放入流行的預先訓練架構，如OverFeat、AlexNet、VGGNet或GoogLeNet，然後從FC層提取特徵（或任何您要使用的層）。

總之，這就是sklearn-theano的功能所在。你不能用它從頭到尾的訓練一個模型，但它的神奇之處就是可以把網路作為特徵提取器。當需要評估一個特定的問題是否適合使用深度學習來解決時，我傾向於使用這個庫作為我的第一手判斷。

nolearn

我在PyImageSearch博客上用過幾次nolearn，主要是在我的MacBook Pro上進行一些初步的GPU實驗和在Amazon EC2 GPU實例中進行深度學習。

Keras把 Theano和TensorFlow包裝成了更具人性化的API，而nolearn也為Lasagne做了相同的事。此外，nolearn中所有的代碼都是與scikit-learn兼容的，這對我來說絕對是個超級的福利。

我個人不使用nolearn做卷積神經網路（CNNs），但你當然也可以用（我更喜歡用Keras和mxnet來做CNNs）。我主要用nolearn來製作Deep Belief Networks (DBNs)。

DIGITS

DIGITS並不是一個真正的深度學習庫（雖然它是用Python寫的）。DIGITS（深度學習GPU培訓系統）實際上是用於培訓Caffe深度學習模式的web應用程序（雖然我認為你可以破解源代碼然後使用Caffe以外其他的後端進行工作，但這聽起來就像一場噩夢）。

如果你曾經用過Caffe，那麼你就會知道通過它的終端來定義.prototxt文件、生成圖像數據、運行網路並監管你的網路訓練是相當繁瑣的。 DIGITS旨在通過讓你在瀏覽器中執行這些任務來解決這個問題。

此外，DIGITS的用戶界面非常出色，它可以為你提供有價值的統計數據和圖表作為你的模型訓練。另外，你可以通過各種輸入輕鬆地可視化網路中的激活層。最後，如果您想測試一個特定的圖像，您可以把圖片上傳到你的DIGITS伺服器或進入圖片的URL，然後你的Caffe模型將會自動分類圖像並把結果顯示在瀏覽器中。乾淨利落！

Blocks

說實話，雖然我一直想嘗試，但截至目前我的確從來沒用過Blocks（這也是我把它包括在這個列表裡的原因）。就像許多個在這個列表中的其他庫一樣，Blocks建立在Theano之上，呈現出一個用戶友好型的API。

deepy

如果讓你猜deepy是圍繞哪個庫建立的，你會猜什麼？

沒錯，就是Theano。

我記得在前一段時間用過deepy（做了初始提交），但在接下里的大概6-8個月我都沒有碰它了。我打算在接下來的博客文章里再嘗試一下。

pylearn2

雖然我從沒有主動地使用pylearn2，但由於歷史原因，我覺得很有必要把它包括在這個列表裡。 Pylearn2不僅僅是一般的機器學習庫（地位類似於scikit-learn），也包含了深度學習演算法的實現。

對於pylearn2我最大的擔憂就是（在撰寫本文時），它沒有一個活躍的開發者。正因為如此，相比於像Keras和mxnet這樣的有積極維護的庫，推薦pylearn2我還有些猶豫。

Deeplearning4j

這本應是一個基於Python的列表，但我想我會把Deeplearning4j包括在這裡，主要是出於對他們所做事迹的無比崇敬——Deeplearning4j為JVM建立了一個開源的、分散式的深度學習庫。

如果您在企業工作，你可能會有一個塞滿了用過的Hadoop和MapReduce伺服器的儲存器。也許這些你還在用，也許早就不用了。

你怎樣才能把這些相同的伺服器應用到深度學習里？

事實證明是可以的——你只需要Deeplearning4j。

總計

以上就是本文關於13個最常用的Python深度學習庫介紹的全部內容

四、 python中的數據類型——列表

列表是一種有序的集合，有點類似c裡面的數組。它的特點是，可以隨時向裡面添加或刪除其中的元素，在python中經常用來存放數據。列表的特點是中括弧，內部元素用逗號隔開。

在這個列表中，可以放進去任何元素，不論你的元素是字元串、整型、浮點型、還是布爾值、空值，包括列表什麼的，都可以放進去。

元素與元素之間，用逗號隔開。

列表會為每個元素分配序號，這個序號代表它的位置，稱為索引（index），第一個元素的位置是0，第二個元素是1，以此類推。

使用索引獲取列表中的值時，需要使用中括弧來訪問，在中括弧前面加上列表名，中括弧內部是元素的索引。

0代表第一個元素的位置，1代表第二個，-1代表倒數第一個，-2代表倒數第二個

使用 len() 函數，可以查看列表裡面有多少個元素

在python中，列表的操作是非常的靈活的，我們可以向其中添加或刪除元素。

添加使用 list.append() 函數

list.append() 函數是將元素插入到列表的末尾，當我們想在特定位置插入元素時可以使用 list.insert() 函數

list.insert() 函數接受兩個參數，第一個參數是插入位置，第二個參數是要插入的元素。

需要注意的是，在使用append和insert時，必須在前面註明要操作的列表。就像上面的例子，我們要操作classmates這個列表，所以必須寫成 classmates.append() 或 classmates.insert() ，如果不這麼寫，計算機就不知道你要往哪個列表中加入元素。

沒有特殊情況的話，推薦使用append()函數添加元素，因為使用append的時候，元素默認加在列表尾部，不會造成其他元素索引值的改變。如果使用insert的話，就像上面的insert(1,’Tom’)，在位置1插入’Tom’後，Tom後面所有的元素，索引值都加了一個1，列表中元素越多，受影響的程度越大，因此使用append()函數要比insert()函數更快。

刪除列表中元素的方法有三種

del後面需要用索引的方式表明要刪除的元素，也就是上面的例子，names[1]代表names中的第二個元素，使用del即可刪除

list.pop() 函數與del差不多，都是使用索引值進行刪除，只不過寫法不同。

我們可以發現，執行 names.pop(1) 後，python shell列印出了第二個元素的值，也就是我們要刪除的那個值，這是因為 pop() 這個函數，是有返回值的，有時候我們需要使用這個值，這個時候就可以用變數存起來。

這樣我們就可以通過調用a而使用剛才刪掉的元素了。

list.remove() 函數的作用是刪除第一個匹配的元素，上面的例子中，names這個列表裡面，有兩個’Bob’，remove函數只刪除了第一個’Bob’。這就是 list.remove() 函數的特點。

有時候我們想使用列表的前10個元素，或者前n個元素，這時候就應該使用列表的切片。

切片和索引類似，都是使用中括弧，區別是，索引中的中括弧裡面只有一個數，而切片不同。切片是切割列表，形成切割下來的部分形成新的列表。

切片： list[start:end:[step=1]] ，這就是切片的表達式，要求start和end兩者必須有一個，step不是可以不指定，不指定的時候默認為1。

切片該怎麼理解呢，start就是開始的位置，end就是結束的位置。切片有個特點是「取前不取後」，看上面那個例子可以發現，1作為start，3作為end，1代表第二個元素，3代表第四個元素，列表切片的時候，是不取後面的那個數字對應的元素的，也就是不取第四個元素，所以names[1:3]只取了第二個元素和第三個元素，這就是所謂的取前不取後。

再看下一個例子。

當不指定start或者end的時候，start默認為0，end默認為最後一個元素的索引值+1，因為「取前不取後」，要想取到最後一個元素，必須加個1才行。

上例中，用 len(numbers) 表示了最後一個元素的索引值，因為索引值從0開始，最後一個元素的索引值一定是列表內元素個數-1，根據「取前不取後」，在end位置上的數字應該+1，所以最後就等於 len(numbers) 了。

當不設定start和end的時候，就默認取所有的元素了。

當加入step，這個選項後，step代表步長，默認為1，設定成2的時候，就是隔一個取一個，設定成3時就是隔兩個取一個。

上例中，第一個切片，start和end均未設定，因此從第一個元素開始，隔一個取一個，得到了所有奇數位置的元素。

第二個切片，start設定為了1，因此取了所有偶數位置的元素。

3在列表中，0不在列表中，所以 3 in a 是True，而 0 in a 是False

更多關於列表的信息可以通過使用 help(list) 查看幫助文檔。

Python有哪些種類？

Python有哪些種類？

1、數值型（Numbers）

2、布爾型（Booleans）

3、字元串（String）

4、Python容器

要快速學會Python，謹記『3個』『4類』『5大』『6種』這四個數字就可以了。

三個基本概念

1. 結構化（函數、模塊、包）

2. 面向對象（類及派生類、重載）

3. 虛擬環境（版本管理、環境隔離）

四類基本操作

1. 數據操作（各種數據類型的操作）

2. 文件操作（文件打開讀寫關閉等操作）

3. 模塊操作（導入使用、模塊查尋等操作）

4.並發操作（進程與線程、鎖/信號號/安全隊列等）

五大基本語句（5）

1. 賦值語句（變數、對象、賦值運算符）

2. 輸入輸出語句（print, input函數）

3. 條件判斷語句（if-elif-else語句）

4. 循環語句(遍歷循環for-in-else、條件循環while-else、break/continue)

5. 異常處理語句(try-except-else-finally)

六種數據類型（6）

1. 數字類型（int,bool,float,complex）

2. 字元串（str）

3. 列表（list）

4. 元組（tuple）

5. 字典（dict）

6. 集合（set）

如果你能夠把上面的幾個要點都掌握了，那麼就算是真正地入門了。