随著人工智慧控制技术的产业发展与普及化，Python胜过了很多其它C语言，正式成为了机器学习应用领域中最炙手可热最常见的C语言众所周知。有很多其原因以致Python在为数众多合作开发人员中这般受青睐，当中众所周知即是其保有大批的与机器学习有关的开放源码架构和辅助工具库。依照builtwith.com的统计数据表明，45%的信息控制技术子公司都偏激于采用Python做为人工智慧与机器学习应用领域的C语言。
使Python这般畅销主要就虽然：
Python从结构设计之初是为工作效率而生，以使工程项目从合作开发到布署再在网络管理都能维持较低的劳动生产率；
传言有大批的如前所述Python的开放源码架构及辅助工具库；
Python更易上手，能说是程式结构设计阿宝的灵修；
较之起C、Java、C++来讲，Python的句法更单纯，更高阶，只须要更少个字符的标识符便能同时实现其它C语言反之亦然的机能；
Python的虚拟化潜能；
便是虽然Python单纯机能强大和高合作开发工作效率，招揽了大批的合作开发人员为其建立更多捷伊机器学习辅助工具库；而又即使大批的机器学习辅助工具库的再次出现，使Python在机器学习应用领域显得这般盛行。
上面他们就来积极探索呵呵机器学习应用领域中最畅销的五大架构或辅助工具库：
Tensorflow
如果你正在采用Python来从事机器学习工程项目，那么你一定听说过当中一个著名的架构——Tensorflow。Tensorflow架构主要就由Google大脑团队合作开发，主要就用于深度学习计算。几乎所有的Google机器学习应用都采用了它。比如在使用Google语音搜索或者Google相册时，你其实都是在间接地在采用Tensorflow所构建的模型。
Tensorflow把神经网络运算抽象成运算图（Graph），一个运算图中包含了大批的张量（Tensor）运算。而张量实际上是N维统计数据的集合。神经网络运算的本质是通过张量运算来拟合输入张量与输出张量之间的映射关系。
并行运算是Tensorflow的主要就优势众所周知。也是说你能通过标识符设置来分配你的CPU、GPU计算资源来同时实现并行化的图运算。
Tensorflow架构中所有的辅助工具库都是用C或者C++来编写，但它提供了用Python来编写的接口封装。事实上，你用Python编写的神经网络模型最终会调用如前所述C和C++编写的Tensorflow内核来执行运算。
Tensorflow采用了类似XLA（Accelerated Linear Algebra/加速线性代数）等控制技术对运算过程进行过优化，以保证其能够灵活地调用计算资源的同时维持高效的运算速度。
Keras
Keras被认为是最酷的Python深度学习库众所周知。如果你是深度学习合作开发方面的新手，那么非常建议你采用它。它提供了非常简明的机制来表达神经网络结构。它也提供了很多非常棒的辅助工具用于神经网络模型的编译、统计数据的处理、和网络结构的可视化等等。
Keras本质上是对Tensorflow、Theano等基础架构作进一步的封装，以提供统一的API来简化神经网络的构建与训练。如果你打算以Tensorflow做为后端基础架构，则必须遵循以下架构图：
再有，Keras提供了很多预处理的统计数据集，比如MNIST，和预训练的模型，比如VGG、Inception、 ResNet等等。
Theano
Theano 是一个用于多维数组计算的 Python 运算架构。Theano 的工作原理与 Tensorflow 相似，但要比Tensorflow 低效。因此它不适用于生产环境。
此外，Theano还能用于与Tensorflow类似的分布式或并行环境。
PyTorch
PyTorch是最大的深度学习库，允许合作开发人员通过加速GPU执行张量计算，建立动态计算图，并自动计算梯度。除此之外，PyTorch还提供丰富的API，用于解决与神经网络有关的应用问题。
这个深度学习库如前所述Torch，这是一个用C语言同时实现的开放源码机器库，以Lua语言作了封装。与Tensorflow的区别在于Tensorflow用的是“静态计算图”的概念，而PyTorch用的是“动态计算图”的概念。最直观的感受是，用PyTorch来编写的神经网络模型标识符更像常见的Python标识符。PyTorch是在2017年推出的，自成立以来，该库越来越畅销并招揽了越来越多的机器学习合作开发人员。
LightGBM
Gradient Boosting是最好和最畅销的机器学习库众所周知，它通过采用重新定义的基本模型和决策树来帮助合作开发人员构建新算法。因此，有专门的库被结构设计用于快速有效地同时实现该方法。这些库包括LightGBM, XGBoost, 和CatBoost。这些库互为竞争对手，反之亦然采用了几乎相同的思路来解决一个共同问题。这些库都提供了高度可扩展，优化和快速的梯度增强同时实现，使其在机器学习合作开发人员中很畅销。即使大多数机器学习合作开发人员通过采用这些算法赢得了机器学习竞赛。
Numpy
Numpy是公认的最畅销的Python机器学习库众所周知。Tensorflow和其它的一些架构内部都采用了Numpy来对张量进行多种操作。数组接口是Numpy最佳及最重要的机能。这个接口能用于把图像、音频、和其它二进制流统计数据表示为多维实数数组。为了把这个库应用到机器学习中，掌握Numpy的操作对于合作开发人员而言意义重大。
Pandas
Pandas是一个Python机器学习库，它提供了各种高阶的辅助工具用于进个字符据分析。当中一项了不起的机能即是它能用一两行标识符就能同时实现复杂的统计数据操作。Pandas有很多内置的方法用于分组统计、合并统计数据、统计数据筛选、和时间序列操作。所有的这些操作都有出色的性能表现。因此，采用Pandas通常见于统计数据挖掘任务。
SciPy
SciPy是一个应用合作开发人员与工程师们采用的机器学习库。然而，你须要知道的是SciPy库与SciPy-Stack的区别。SciPy库是SciPy-Stack的一个子集。SciPy库包含了优化器、线性代数、积分、插值、快速傅立叶变换、信号和图像处理、统计等子模块。所有子模块中的函数都有完整的文档说明，采用方便。
SciPy库的主要就机能是如前所述Numpy来同时实现的，它的数组操作是采用了Numpy的数组操作。
Scikits_Learn
Scikits-learn，又称为sk-learn，是一个如前所述Numpy与SciPy的Python库。Sk-learn被认为是用于处理复杂统计数据的最优秀的机器学习库之一。它包含了大批用于同时实现传统机器学习和统计数据挖掘任务的算法，比如统计数据降维、分类、回归、聚类、和模型选择等。
随著时间的产业发展，sk-learn不断演进。当中包括它加入了交叉验证机能，提供了采用多个衡量指标的潜能。很多的训练方法都得到了一定的改进，如逻辑回归、近邻算法（KNN）等。
Eli5
通常，在机器学习任务中遇到的难题是模型的预测结果不准确。而用Python构建的Eli5机器学习库能帮助攻克这个难题。它为现有的机器学习架构提供了若干内置的支持，比如模型统计数据可视化、模型调试、算法跟踪等，使机器学习模型对于合作开发人员而言不再是一个黑盒子。
Eli5支持sk-learn、XGBoost、LightGBM、lightning、sklearn-crfsuite等机器学习架构或机器学习库。
这些架构与库都能够同时实现以上提到的可视化、模型调试、算法跟踪等任务。
结语：
以上即是机器学习专家们与统计数据科学家们普遍认可的十大机器学习架构或辅助工具库。所有的这些架构与库都值得称赞看一看、试一试。
个侧重于图像应用领域的辅助工具库。
希望本文能够帮助你为你的工程项目选择到合适的机器学习架构或辅助工具库吧。
投稿：优达学员-kevin
原作：Mantra Malhotra
原文：https://hackernoon.com/top-10-libraries-in-python-to-implement-machine-learning-12602cf5dc61
人生苦短，我用 Python！简洁高效，新手友好！来自硅谷的「28天入门Python 」课程限时免费，距离报名结束还有最后几个小时，手慢无！
