：大统计数据与机器学习季刊
责任编辑约2600字，提议写作9两分钟
责任编辑为你如是说2021年最关键的10个 Python 机器学习有关的服务器端库。
Python 奥尔奈机器学习，能说是最锐利的枪械；而机器学习之于 Python，则有著不断扩大负面影响Daye光辉的助推。两者相得益彰，以致于一提及机器学习，现代人顺理成章地就想不到了 Python，尽管很多肤浅，但另一面也有其存有的本质性！那时他们就来如是说2021年最关键的10个 Python 机器学习有关的服务器端库，千万别错失哦一、TensorFlow1. 甚么 TensorFlow
假如你现阶段已经开始采用 Python 展开机器学习工程项目，所以必定会听闻过那个盛行的开放源码库 TensorFlow。该库由 Google 与 Brain Team 联合开发，TensorFlow 基本上是大部份 Google 机器学习插件的一小部分。TensorFlow 就像两个排序库，用作撰写涉及大批标量操作方式的新演算法，即使数学模型能很难地则表示为排序图，它能采用 TensorFlow 做为对标量的一连串操作方式来同时实现。除此之外，标量是代表者统计数据的 N 维行列式，是机器学习的关键基本概念。2. TensorFlow 的特征
TensorFlow 特别针对速率展开了强化，它借助 XLA 等控制技术展开加速数学分析演算。积极响应式构造：采用 TensorFlow，他们能轻松地可视化图表的每一小部分，而这在采用 Numpy 或 SciKit 时是不太可能的。
灵活：Tensorflow 非常关键的功能之一是它的可操作方式性非常灵活，这意味着它具有很高的模块化功能，并且也为他们提供了独立制作某些功能的选项。
易于训练：它很容易在 CPU 和 GPU 上展开训练以展开分布式排序。
并行数学模型训练：从某种意义上说，TensorFlow 提供了流水线，他们能在多个 GPU 上训练多个数学模型，这使得模型在大规模系统上非常高效。
庞大的活跃社区：即使它是由谷歌开发的，所以已经有两个庞大的软件工程师团队不断致力于稳定性改进，其开发者社区非常活跃，你不是两个人在战斗。
开放源码：那个机器学习库最好的一点是它是开放源码的，所以只要有互联网网络，任何人就都能采用它。
二、Scikit-Learn1. 甚么是 Scikit-learn
它是两个与 NumPy 和 SciPy 有关联的 Python 库，它被认为是处理复杂统计数据的最佳库之一。在这个库中展开了很多强化改动，其中一项是交叉验证功能，提供了采用多个指标的能力。许多训练方法，如逻辑回归和最近邻，都得到了一些小的改进与强化。2. Scikit-Learn 的特征
交叉验证：有多种方法能检查监督模型在未见统计数据上的准确性。
无监督学习演算法：产品中的演算法种类繁多，包括聚类、因子分析、主成分分析，无监督数学模型。
特征提取：用作从图像和文本中提取特征（例如词袋）。
三、Numpy1. 甚么是 Numpy
Numpy 被认为是 Python 中最盛行的机器学习库之一。TensorFlow 和其他库都在内部采用 Numpy 对标量执行多项操作方式，数组接口是 Numpy 最好也是最关键的特性。2. Numpy 的特征
交互的：Numpy 是可交互的且非常易于采用。
数学排序：能使复杂的数学同时实现变得非常简单。
直观：使编码变得真正难，并且难掌握基本概念。
开放源码：采用广泛，因此有很多开放源码贡献者。
四、Keras1. 甚么是 Keras
Keras 被认为是 Python 中最酷的机器学习库之一，它提供了一种更简单的机制来表达数学模型。Keras 还提供了一些用作编译模型、处理统计数据集、图形可视化等最佳实用程序。在后端，Keras 在内部采用 Theano 或 TensorFlow。也能采用一些最盛行的数学模型，如 CNTK。当他们将 Keras 与其他机器学习库展开比较时，它的速率相对较慢。即使它通过使用后端基础设施创建排序图，然后借助它来执行操作方式。Keras 中的大部份模型都是可移植的。2. Keras 的特征
支持 CPU 和 GPU：它能在 CPU 和 GPU 上流畅运行。
模型全面：Keras 支持数学模型的基本上大部份模型——全连接、卷积、池化、循环、嵌入等。此外，这些模型能组合起来构建更复杂的模型。
模块化：Keras 本质上是模块化的，具有令人难以置信的表现力、灵活性和创新性研究能力。
完全基于 Python：Keras 是两个完全基于 Python 的框架，易于调试和探索。
五、PyTorch1. 甚么是 PyTorch
PyTorch 是最大的机器学习库，允许开发人员在 GPU 加速的情况下执行标量排序，创建动态排序图，并自动排序梯度。除此之外，PyTorch 还提供了丰富的 API 来解决与数学模型有关的插件问题。那个机器学习库基于 Torch，它是两个用 C 语言同时实现的开放源码机器库，并在 Lua 中展开了封装。那个 Python 机器库于 2017 年推出，自成立以来，该库越来越受欢迎并吸引了越来越多的机器学习开发人员。2. PyTorch 的特征
混合前端：新的混合前端在 Eager 模式下提供易用性和灵活性，同时无缝过渡到图形模式以在 C++ 运行时环境中同时实现速率、强化和功能。
分布式训练：通过借助对异步执行集体操作方式和可从 Python 和 C++ 访问的点对点通信的本机支持来强化研究和生产中的性能。
Python 优先：它被构建为深度集成到 Python 中，因此能与盛行的库和包（例如 Cython 和 Numba）一起采用。
众多库和工具：活跃的研究人员和开发人员社区建立了丰富的工具和库生态系统，用作扩展 PyTorch 并支持从排序机视觉到强化学习等领域的开发。
六、LightGBM1. 甚么是 LightGBM
Gradient Boosting 是最好和最受欢迎的机器学习库之一，它通过采用重新定义的基本模型（即决策树）帮助开发人员构建新演算法。因此，有一些特殊的库可用作加速有效地同时实现此方法。这些库是 LightGBM、XGBoost 和 CatBoost。所有这些库都是有助于解决常见问题，并且能以基本上类似的方式采用。2. LightGBM 的特征
加速：非常加速的排序确保了高生产效率。
直观：直观，因此对于用户非常友好。
训练更快：有比许多其他深度学习库更快的训练速率。
容错：考虑 NaN 值和其他规范值时不会产生错误。
七、Eli51. 甚么是 Eli5
大多数情况下，机器学习模型预测的结果并不准确，而采用 Python 构建的 Eli5 机器学习库有助于克服这一问题。它结合了可视化和调试大部份机器学习模型并跟踪演算法的大部份工作步骤。2. Eli5 的特征
Eli5 还支持很多库，例如 XGBoost、lightning、scikit-learn 和 sklearn-crfsuite 等。八、SciPy1. 甚么是 SciPy
SciPy 是两个面向插件开发人员和工程师的机器学习库。SciPy 库包含用作强化、数学分析、积分和统计的模块。2. SciPy 的特征
SciPy 库的主要特征是它是采用 NumPy 开发的，它的数组最大限度地借助了 NumPy。此外，SciPy 采用其特定的子模块提供大部份高效的数值例程，如强化、数值积分和许多其他程序。SciPy 的大部份子模块中的大部份功能都有很好的文档记录。九、Theano1. 甚么是 Theano
Theano 是 Python 中用作排序多维数组的排序框架机器学习库。Theano 的工作原理与 TensorFlow 类似，但不如 TensorFlow 高效，因此它无法适应生产环境。此外，Theano 还能用作类似于 TensorFlow 的分布式或并行环境。2. Theano 的特征
与 NumPy 紧密集成：能够在 Theano 编译的函数中采用完整的 NumPy 数组。
高效的采用 GPU：执行统计数据密集型排序的速率比在 CPU 上快得多。
高效的符号微分：Theano 能为具有两个或多个输入的函数求导。
速率和稳定性强化：即使 x 非常小，也能获得 log(1+x) 的正确答案。当然这只是展示 Theano 稳定性的示例之一。
动态 C 代码生成：比以往更快地评估表达式，从而大大提高效率。
广泛的单元测试和自我验证：检测和诊断模型中的多种类型的错误和歧义。
十、Pandas1. 甚么是 Pandas
Pandas 是 Python 中的机器学习库，提供高级统计数据结构和各种分析工具。那个库的一大特点是能够采用一两个命令来转换复杂的统计数据操作方式。Pandas 具有许多用作分组、组合统计数据和过滤的内置方法，以及时间序列功能。2. Pandas 的特征
Pandas 使得操作方式统计数据的整个过程变得更加难，对重新索引、迭代、排序、聚合、连接和可视化等操作方式的支持是 Pandas 的功能亮点之一。好了，这就是那时分享的全部内容，喜欢就点个赞+在看吧~责任编辑仅做学术分享，如有侵权，请联系删文。
