2017十个受欢的迎机器学习Python库

　　2017年即将结束，又到了做年终总结的时候，本文盘点了今年欢迎的十个Python机器学习库，同时在文末选出了一些值得关注的Python库。

　　1.Pipenv

　　Pipenv是Kenneth Reitz的业余项目，旨在将其他软件包(例如npm和yarn)整合到Python里。它不需要安装virtualenv,virtualenvwrapper，不用管理requirements.txt文件，并且不用确保依赖版本的可复现性。通过Pipenv，你可以在Pipfile中指定依赖项。该工具可生成一个Pipfile.lock文件，使你的构建更具确定性，避免产生难以查找的Bug。

　　当然，Pipenv还有很多其他特性，并且有棒的技术文档，因此，先确保检查完毕，然后在你的Python项目中使用它。

　　2.PyTorch

　　Facebook的深度学习框架PyTorch是今年欢迎的库之一。

　　PyTorch源于Torch框架，同时改善了Torch框架，而且PyTorch基于Python语言。过去的几年，人们一直用Python做数据科学的研究，PyTorch的出现加快了深度学习的普及。

　　值得注意的是，由于实现了动态计算图范式，PyTorch已经成为众多研究人员的框架之一。当使用TensorFlow、CNTK或者MXNet等框架编写代码时，你必须首先定义一个称为计算图的东西。计算图制定了代码将要运行的所有操作，然后代码会被被编译并利用框架优化，以便在GPU上更快地并行运行。这个范式被称为静态计算图，它很棒，因为你可以利用各种优化，并且图形一旦构建完成就能运行在不同的设备上。然而，在诸如自然语言处理等任务中，「工作量」往往是可变的：将图像喂给算法之前，你可以把图像调整到固定的分辨率，但相同的操作不能适用于语句，因为句子的长度是变化的。这正是PyTorch和动态图的优势所在，让开发者在代码中使用标准的Python控制指令，图形在执行时被定义，给予开发者很大的自由，这对于多任务来讲是必不可少的。

　　当然，PyTorch可以计算梯度(就像其他深度学习模型一样)，而且非常快，可扩展性强，所以值得一试。

　　3.Caffe2

　　虽然听起来很不可思议，但今年Facebook发布了另一个伟大的深度学习框架——Caffe2。

　　原始的Caffe框架广泛使用了多年，它凭借的性能和经过测试的代码库而闻名。然而，近期深度学习的发展趋势让该框架在某些方面停滞不前。Caffe2则是让Caffe跟上潮流的一次尝试。

　　Caffe2支持分布式训练、部署(即使是在移动平台上)，新的CPU和支持CUDA的硬件。PyTorch可能更适合做研究，而Caffe2更加适合大规模部署，就像在Facebook上看到的那样。

　　另外，你可以在PyTorch里构建并训练模型，同时用Caffe2部署!这不是很棒吗?

　　4.Pendulum

　　Pendulum的优势之一在于，它是Python标准datetime替代品，因此你可以轻松地将其与现有的代码集成，并且在你需要的时候才使用它的功能。Pendulum的作者特别注意时间分区的处理，默认在每个实例中时间分区是可用的，并且以UTC计时。你也可以获得扩展timedelta来简化datetime的计算。

　　与其他库不同的是，Pendulum努力让API具有可预测的行为，所以你该知道期望什么，如果你正在做与datetime相关的工作，那么Pendulum能让你工作得更加开心。详细信息请查看文档：https://pendulum.eustace.io/docs/

　　5.Dash

　　如果你做与数据科学相关的工作，会使用到诸如Pandas和scikit-learn等Python生态系统中的工具，用Jupyter Notebooks管理工作流程。但是，你如何向那些不知道怎样使用这些工具的人分享你的工作呢?你该怎样构建一个交互界面，使人们可以轻松地处理数据，并让整个过程可视化?过去，你需要一个专业的JavaScript前端团队来构建这些GUI。而现在，你不再需要了。

　　Dash是一个可构建Web应用，尤其是数据可视化Web应用的纯Python开源库。它建立在Flask、Plotly和React之上，并提供这几个框架的函数抽象接口，从而开发者不必学习这些框架，开发。这些应用程序可在浏览器和移动设备中使用。

　　如果你想了解更多Dash的信息，请查阅https://pendulum.eustace.io/docs/

　　6.PyFlux

　　Python中有许多库可用于做数据科学和机器学习，但当你的数据点是随着时间变化而变化时(例如股票数据)，这就不一样了。

　　PyFlux是专门针对时间序列开发的Python开源库。时间序列研究是统计学和经济学的子领域，其目的是用于描述时间序列的行为(in terms of latent components or features of interest)，同时也预测时序未来的行为状态。

　　PyFlux允许使用概率的方法对时间序列建模，并且实现了几个时间序列模型，如GARCH。

　　7.Fire

　　在通常情况下，你需要为你的项目制作命令行界面。除了传统的argparse，Python还有一些很棒的工具，比如Click或者docopt。谷歌今年宣布的Fire则采用了不同的方法来解决这个问题。

　　Fire是一个开源库，可以为任何Python项目自动生成一个命令行界面。你几乎不需要编写任何代码或者文档，你只需要调用一个Fire方法并把它传递给你想要的命令行界面：一个函数、一个对象、一个类、一个库，甚至不传递任何参数(这会使你的整个代码进入命令行界面)。

　　请阅读指南来了解它的工作原理：https://github.com/google/python-fire/blob/master/docs/guide.md。

　　8.imbalanced-learn

　　在理想情况下，我们有平衡的数据集，然后非常顺利地训练模型。不幸的是，现实不是这样的，某些任务的数据集非常不平衡。例如，预测信用卡中的交易行为时，绝大多数(+99.9%)的交易是合法的。如果按照这样的方式训练算法，会得到很糟糕的结果，所以在使用这些类型的数据集时要非常小心。

　　幸运的是，这个问题已经被充分地研究，也存在着各种各样的技术来解决该问题。imbalanced-learn是一个Python库，它提供了相关的技术来解决数据不平衡的问题。另外，它和scikit-learn兼容，并且是scikit-learn-contrib项目的一部分，非常有用。

　　9.FlashText

　　在数据清理工作中，你需要搜索文档并替换特定的内容，这通常用正则表达式完成。但有时候会出现这样的情况：你需要搜索成千上万的数据，然后采用正则表达式的方式会变得非常缓慢。

　　FlashText是个更好的选择。作者在初的基准测试中，FlashText使整个操作的运行时间大大缩短：从5天降到15分钟。FlashText的优点在于无论搜索条件有多少，运行时间都是一样的，而随着搜索条件的增加，正则表达式的运行时间几乎呈线性增长。

　　FlashText证明了算法和数据结构设计的重要性，即使对于简单的问题，更好的算法也能够轻松超越在快CPU上运行的朴素实现。

　　10.Luminoth

　　图像无处不在，理解其内容对于很多应用程序来说非常重要。庆幸的是，由于深度学习的进步，图像处理技术有了很大的进步。

　　Luminoth是一个用TensorFlow和Sonnet构建的开源的计算机视觉Python工具包。它可直接支持物体检测，背后支持的模型是Faster R-CNN。

　　但是，Luminoth不仅能实现特定的模型，同时它还建立在模块化和可扩展基础之上，所以你可以直接定制它现有的部分，或者用新的模型扩展它，用于处理不同的问题，尽可能地重复利用代码。它提供了可轻松构建深度学习模型的工具：将数据转换为合适的格式反馈给各种流程中，例如用于增强数据、在一个或者多个GPU(使用大型数据集时必须进行分布式训练)上训练、运行评估指标。

　　此外，Luminoth直接与Google Cloud的机器学习引擎集成，即使你没有强大的GPU，也能在云端训练。

　　其他的库

　　PyVips

　　你可能从没听说过libvips库，它是一个图像处理库，和Pillow和ImageMagick一样，支持大量的格式。然而，和其他的库相比，libvips更快且占用的内存更少。比如，一些基准测试显示，它比ImageMagick快了三倍，而ImageMagick占用的内存是libvips的十五倍。

　　PyVips是新发布的libvips的Python绑定包，它兼容Python2.7~3.6(甚至是PyPy)，可以非常容易的用pip安装，并且和旧的绑定包兼容，你可以直接使用它，不需要改变任何代码。

　　如果你的应用程序需要处理图像，你可以留意一下PyVips。

　　Requestium

　　有时候，你需要在Web中自动化某些操作。无论是抓取网站，做应用测试，还是填写网页表单以便在不暴露API的网站中执行操作，自动化都是必须的。Python有很好的请求库，能够执行相关的工作。但不幸的是，许多网站用JavaScript构建了一个非常庞大的客户端，这意味着获取的HTML代码没有表单本身，相反，它会在浏览器中用一个前端库(如React或者Vue)生成。

　　解决这个问题的方法之一是，对JavaScript代码所做的请求进行反向工程，这意味着需要花费大量的时间来调试JavaScript代码。另一个方法是用Selenium这样的库，它可以让你以编程的形式与Web浏览器交互并运行JavaScript代码。

　　Requestium可以让你从请求开始无缝切换到Selenium，并且在需要的时候增加一个浏览器开销。它集成了Parsel，因此它在编写用于在页面中查找元素的选择器时，要比其他方式更加简洁。

　　skorch

　　skorch是一个封装，它可以提供给PyTorch一个类似sklearn的编程界面。如果你熟悉这些库，这些语法应该简单易懂。通过skorch，你会得到经过抽象的代码，所以你可以把精力花在真正重要的事情上，比如做数据科学研究。

尊重原创文章，转载请注明出处与链接：http://www.soxsok.com/wnews93993.html 违者必究！ 以上就是关于“北京市密云区Python课程哪有培训班”的全部内容了，想了解更多相关知识请持续关注本站。