2021年机器学习Top 10类库

[[417950]]

TensorFlow

• 网站：tensorflow.org
• 源码仓库：Github/tensorflow/tensorflow
• 开发者：谷歌大脑团队
• 主要用途：深度神经网络

TensorFlow 是由谷歌大脑(Google Brain)团队开发的一个AI框架，主要用于深度学习和神经网络。使用TF可以很轻松将计算任务分配到多个CPU或GPU核心，甚至可分配到多GPU。TensorFlow基本计算单元为张量(Tensors)。张量可以定义为一个容器，可存储N维数据及其线性操作。

pandas

• 网站： pandas.pydata.org
• 源码仓库: github/pandas-dev/pandas
• 开发者：开源社区
• 主要用途：数据分析和操作

Pandas库，主要用于数值数据和时间序列的数据操作。它使用数据框和系列分别定义三维和二维数据。Pandas提供了索引大数据以便在大数据集中快速搜索的选项。它以数据重塑、围绕用户定义的轴旋转、处理缺失数据、合并和连接数据集以及数据过滤选项的功能而闻名。

Pandas对于大型数据集非常有用且速度非常快。当记录超过50k时，其性能超Numpy。在数据清理方面，它是最好的库，因为它提供了像exce一样的交互性和像Numpy一样的速度。它也是为数不多的可以处理DateTime的ML库之一，无需任何外部库的任何帮助，而且代码最少。

Numpy

• 网站：numpy.org
• 源码仓库：github/numpy/numpy
• 开发者：开源社区
• 主要用途：通用矩阵处理

Numpy用于处理多维数据和复杂的数学函数。Numpy是Python语言的快速计算库，可以处理从基本代数到傅立叶变换、随机模拟和拓扑操作的任务和函数。这个库内核是用C语言编写的，比一般Python计算库性能更好。如果记录数不是很大，在Numpy数组在索引方面要明显优于Pandas系列。另外，目前NumPy数组只支持单CPU中，所以性能会有限制。

Numpy的学习成本较低(可以参考虫虫之前的文章)，易于上手，并是最流行的机器学习库之一。

自然语言工具包(NLTK)

• 网站： nltk.org
• 源码仓库: github/nltk/nltk
• 开发者：NLTK团队
• 主要用途：自然语言处理

是广泛使用的文本分类和自然语言处理库。可以用于词干提取、词形还原、标记和在文档中搜索关键字。NLTK可用于高级语言分析，比如情感、评论分析、文本分类器、检查评论中的关键词、文本挖掘和许多其他与人类语言相关的操作。NLTK需要文本处理来训练的模型来识别和创建。

Scikit-Learn

• 网站：scikit-learn.org
• 源码仓库: github/scikit-learn/scikit-learn
• 开发者：SkLearn.org
• 主要用途：预测数据分析和数据建模

Scikit-learn主要用于各种数据建模概念，如回归、分类、聚类、模型选择等。 该库是在Numpy、Scipy和matplotlib之上编写的。Scikit-learn易于集成，可以继承其他机器学习库实现特定目标。比如Numpy和Pandas用于数据分析，Plotly用于可视化。

Keras

• 网站： keras.io
• 源码仓库：github/keras-team/keras
• 开发者：各种开发者
• 主要用途：神经网络计算

Keras提供了一个Python接口的 Tensorflow库，特别专注于AI神经网络。早期版本还包括许多其他后端，如Theano、Microsoft认知平台和PlaidMl。Keras 包含常用神经网络的标准块，以及使图像和文本处理更快更流畅的工具。除了标准的神经网络块外，它还提供重复出现的神经网络。

PyTorch

• 网站：pytorch.org
• 源码仓库：github/pytorch/pytorch
• 开发者：脸谱AI实验室(FAIR)
• 主要用途：深度学习、自然语言处理和计算机视觉

Pytorch 是由脸书开发的ML库，基于Lua语言实现的Torch机器学习库。该项目是用Python、C++ 和CUDA语言混合编写的。PyTorch 支持在C和C++ 以及Pyton等常见语言的扩展。作TF竞争对手，他也使用张量，但它更容易学习并且与Python具有更好集成性。虽然它支持NLP，但该库的主要重点是开发和训练深度学习模型。

mlpack

• 源码仓库：github/mlpack/mlpack
• 开发者：社区，佐治亚理工学院支持
• 主要用途：多个ML模型和算法

MlPack 主要是基于C++的机器学习库，支持它Python，R，Julia和 Golang等语言。它旨在支持几乎所有著名的机器学习算法和模型，如 GMM、K均值、最小角度回归、线性回归等。开发该库的主要重点是使其成为快速、可扩展且易于理解的以及易于使用的库，即使是编程小白也可以毫无问题地理解和使用它。

OpenCV

• 网站：opencv.org
• 源码仓库：github/opencv/opencv
• 开发者：由英特尔公司发起
• 主要用途：计算机视觉

OpenCV 是一个致力于计算机视觉和图像处理的开源平台。 该库拥有2500多种专用于计算机视觉和机器学习的算法。它可以跟踪人体运动、检测移动物体、提取3D模型、将图像拼接在一起以创建高分辨率图像，探索AR的可能性。OpenCV被广泛用于各种闭路电视监控，各大相机厂商也都在使用OpenCV使其产品更智能和用户友好。

Matplotlib

• 网站：matplotlib.org/
• 源码仓库：github/matplotlib/matplotlib
• 开发者：Micheal Droettboom，社区
• 主要目的：数据可视化

Matplotlib是Pthon中使用最广泛的图形的库。它使用Python GUI工具包来生成图形和绘图。Matplotlib还提供了一个类似MATLAB的界面，以便用户可以执行与MATLAB 类似的任务。这个库是免费和开源的，并且有许多扩展接口，可以将matplotlib API扩展到各种其他库。

总结

在本文中，我们介绍了机器学习中最常用的Python库。每个库(框架)都有自己的优点和缺点，可以尝试使用，并在实践中选择最适合的库。