处理人工智能任务必须知道的11个Python库

作者: Huangwei AI 2021-05-13 13:07:35

本文转载自微信公众号「Python学会」,作者Huangwei AI。转载本文请联系Python学会公众号。

前言

Python对数据科学如此重要的原因之一是它海量的数据分析和可视化库。在本文中,我们讨论了最受欢迎的一些。

1.Tensorflow

谷歌开发的TensorFlow深度学习框架无疑是最流行的训练神经网络的工具。谷歌积极地使用自己的框架来实现Gmail和谷歌Translate这样的大型服务。TensorFlow被Uber、Airbnb、小米、Dropbox等品牌所使用。

  • 使用TensorFlow,您可以可视化神经网络的各个部分。
  • Tensorflow模块可以独立制作。
  • TensorFlow允许你在CPU和GPU上训练神经网络。
  • 输送学习过程。
  • 一个大型团队正在不断地改进稳定性和新特性。

2. Scikit-Learn

Scikit-Learn是用Python、C和c++编写的一个流行的机器学习库。用一个通用的选择来解决机器学习的经典问题。用于工业系统和科学研究。

广泛的监督和无监督学习算法。

Scikit-learn专门研究机器学习算法。库的任务不包括加载、处理、数据操作和可视化。

大型社区和详细的文档。

3. NumPy

NumPy是机器学习中最流行的Python库之一。TensorFlow和其他库在内部使用它来对多维数组执行操作。

用解释语言(Python)实现的数学算法通常比用编译语言实现的算法要慢得多。NumPy库提供了针对多维数组进行优化的计算算法实现。

4. Keras

如果您需要快速且容易地组装一个深度学习模型,Keras是一个完美的选择。P是TensorFlow和Theano框架上的一个附加组件。该库的目标是深度学习网络的操作工作,同时被设计成紧凑、模块化和可扩展的。Keras提供了一组高级的、直观的抽象,使得构建神经网络变得容易,而不考虑作为计算后端使用的科学计算库。

  • 工作出色的CPU和GPU。
  • 支持几乎所有的神经网络模型,可以组合起来建立更复杂的模型。
  • 该平台完全是用Python编写的,也就是说,您可以使用标准的调试工具。

5. PyTorch

PyTorch是处理神经网络的最佳选择之一,神经网络是TensorFlow的长期竞争对手。主要由Facebook的人工智能小组开发。生成对抗网络(Generative Adversarial Networking)中使用PyTorch作为深度学习框架。学习如何在PyTorch上编写自己的GAN。

  • 简单的GPU的支持。
  • 在GPU模式下,PyTorch提供了高质量的优化,有一个c++ API运行环境。
  • 支持异步计算执行。
  • 直接访问基于ONNX的框架,渲染器和运行时。

6. LightGBM

LightGBM是一个梯度增强框架,是Kaggle比赛中最流行的算法之一。梯度推进是一种用于分类和回归问题的机器学习技术,它以预测模型集成的形式建立一个预测模型,通常是决策树。

  • 学习速度快,效率高。
  • 低内存消耗。
  • 支持并行和GPU计算。
  • 您可以处理大量的数据。

7. Pandas

Pandas是一个库,它提供用于处理数据的高级结构和用于分析数据的广泛工具。这个库允许您用少量代码执行许多复杂的命令:对数据排序和分组、处理丢失的数据、时间序列等。所有数据都以数据帧表的形式表示。

8. SciPy

SciPy对于科学和工程计算是必不可少的,包括机器学习任务。

  • 特点:搜索函数的极小值和极大值,计算积分,支持特殊函数,信号和图像处理,解微分方程等。
  • SciPy与NumPy密切相关,所以默认情况下支持NumPy数组。
  • SciPy库可以与PyTables交互,PyTables是一个分层数据库,设计用于管理HDF5文件中的大量数据。

9. Eli5

Eli5是一个Python库,用于使用统一的API可视化和调试机器学习模型。它内置了对几个ML框架和库的支持:scikit-learn、Keras、上面提到的LightGBM,以及XGBoost、lightning和CatBoost。

10. NLTK

NLTK是一套用于自然语言的符号和统计处理的库和程序。它附带了大量的文档,包括一本书,解释了可以用这个包执行的自然语言处理任务背后的概念。

11. Pillow

Pillow是PIL (Python Image Library)图像库的改进版本。支持多种文件类型:PDF、WebP、PCX、PNG、JPEG、GIF、PSD、WebP、PCX、GIF、IM、EPS、ICO、BMP等。有许多过滤工具可以用于计算机视觉任务。

人工智能 Python 数据
上一篇:人工智能将如何影响未来的工作和生活? 下一篇:“急救天使”挺身而出 救援机器人力挽狂澜
评论
取消
暂无评论,快去成为第一个评论的人吧

更多资讯推荐

面部识别的利与弊:是福还是祸?

虽然现代技术使面部识别更加精确和安全,但与面部识别隐私问题和监控有关的担忧也在增加。因此,让我们在这篇文章中探讨一下这该技术的利与弊。

Naveen Joshi ·  2021-06-01 16:36:22
人工智能和5G如何结合以实现物联网收入最大化

网络系统通过信令和使用软件以及分析来检测和分类设备非常棘手,并且对有限且日益紧张的网络资源提出了巨大的需求。然而,解决这些问题有一个主要解决方案:采用人工智能、自动化和5G技术。

Jordi Castellvi ·  2021-06-01 13:49:15
MIT团队最新研究,仅靠LiDAR和2D地图实现端到端自动驾驶

最近, MIT 计算机科学与人工智能实验室(CSAIL)团队成功展示了一种基于机器学习的自动驾驶系统,该端到端框架仅使用 LiDAR获取的原始 3D 点云数据和类似于手机上的低分辨率 GPS 地图就能进行自主导航,并且大大提升了鲁棒性。

文龙 ·  2021-06-01 12:47:51
自然语言处理(NLP)的历史及其发展方向

自然语言处理的历史是一个充满曲折的故事。它从徒劳的研究开始,经过多年卓有成效的工作,最后结束于一个我们仍在试图找出该领域极限的时代。今天,让我们来一起探索这一AI科学分支的发展。

佚名 ·  2021-06-01 12:46:26
是福还是祸?人脸识别技术的利与弊

面部识别并不是一项全新的技术,但人工智能和机器学习不断使面部识别变得更好。苹果通过引入具有 3D 扫描功能的面部生物识别系统和 iPhone 的 Face ID,提高了面部识别的标准。

Naveen Joshi ·  2021-06-01 11:11:01
人工智能能否使机器具有流体智力?

麻省理工学院和奥地利研究人员为灵活的人工智能创造了“液体”机器学习。

千家网 ·  2021-06-01 10:38:55
高真实感、全局一致、外观精细,面向模糊目标的NeRF方案出炉

自 NeRF 被提出后,有多项研究对其加以改进。在本篇论文中,上海科技大学的研究者提出了首个将显式不透明监督和卷积机制结合到神经辐射场框架中以实现高质量外观的方案。

Haimin Luo等 ·  2021-06-01 09:57:39
大脑模拟NLP,高德纳奖得主:神经元集合演算用于句子解析

一个简单的大脑模型为人工智能研究提供了新的方向。世界顶尖计算机科学理论学家、哥德尔奖和高德纳奖获得者、哥伦比亚大学计算机科学教授 Christos Papadimitriou 关于「大脑中单词表征」的演讲。

Ben Dickson ·  2021-06-01 09:39:24
Copyright©2005-2021 51CTO.COM 版权所有 未经许可 请勿转载