外頭有許多類型的python庫可用，本文介紹了一些流行的機器學習庫。

1. NumPy：

NumPy是一種通用的數(shù)組處理軟件包。它提供高性能的多維數(shù)組對象和用于處理這些數(shù)組的工具。它是用于科學計算的基本Python軟件包。

NumPy針對Python的CPython參考實現(xiàn)，這是一種非優(yōu)化的字節(jié)碼解釋器。

NumPy的核心功能是“ndarray”，代表n維數(shù)組數(shù)據(jù)結構。這些數(shù)組是內存中的交錯視圖。相比Python的內置列表數(shù)據(jù)結構，這些數(shù)組是同構類型的：單個數(shù)組的所有元素都必須是同一類型。

2. Scipy：

SciPy是一種免費開源Python庫，用于科學計算和技術計算。

它包含用于優(yōu)化、線性代數(shù)、積分、插值、特殊函數(shù)、FFT、信號及圖像處理、ODE求解器以及科學工程中其他常見任務的模塊。

NumPy堆棧有時也叫SciPy堆棧。SciPy使用的基本數(shù)據(jù)結構是NumPy模塊提供的多維數(shù)組。NumPy提供了一些用于線性代數(shù)、傅立葉變換和隨機數(shù)生成的函數(shù)，但不具有SciPy中的等效函數(shù)具有的一般性。

3. Scikit-learn：

Scikit-learn（又名sklearn）是面向Python編程語言的免費軟件機器學習庫。

它有各種分類、回歸和聚類算法，包括支持向量機、隨機森林、梯度提升、k均值和DBSCAN，旨在與Python數(shù)值庫NumPy和科學庫SciPy協(xié)同操作。

Scikit-learn項目始于David Cournapeau開發(fā)的谷歌編程夏令營（Summer of Code）項目“SciKit”（SciPy Toolkit）。

它是GitHub上最受歡迎的機器學習庫之一。

它主要用Python編寫，廣泛地使用NumPy，用于高性能線性代數(shù)和數(shù)組運算。

4. Tensorflow：

TensorFlow是一種免費開源軟件庫，用于針對各種任務的數(shù)據(jù)流和可微分編程。

TensorFlow是谷歌Brain的第二代系統(tǒng)。參考實現(xiàn)在單個設備上運行，但TensorFlow可以在多個CPU和GPU上運行。TensorFlow可在64位的Linux、macOS、Windows和移動計算平臺（包括Android和iOS）上使用。

Tensor處理單元（TPU）：2016年5月谷歌宣布Tensor處理單元，這種針對特定應用的集成電路專門為機器學習而構建，為TensorFlow量身定制。TPU是一種可編程的AI加速器，旨在提供高吞吐量的低精度算術運算，面向使用或運行模型，而不是訓練模型。

5. Pytorch：

PyTorch是一種基于Torch庫的開源機器學習庫，用于計算機視覺和自然語言處理等應用，主要由Facebook的AI研究實驗室開發(fā)。

它有更完善的Python接口，主要側重于開發(fā)，它還有C++接口。

幾款深度學習軟件是在PyTorch上構建的，包括優(yōu)步的Pyro、HuggingFace的Transformers和Catalyst。

它提供兩種高級功能：通過GPU實現(xiàn)擁有強大加速功能的Tensor計算，建立在基于磁帶的自動微分系統(tǒng)上的深度神經(jīng)網(wǎng)絡（DNN）。

它定義了一個名為Tensor的類來存儲和操作數(shù)字的異構多維矩形陣列。PyTorch張量類似NumPy數(shù)組，但也可以在支持CUDA功能的英偉達GPU上加以處理。

6. Keras：

Keras是一種用Python編寫的開源神經(jīng)網(wǎng)絡庫。它能夠在TensorFlow、Microsoft Cognitive Toolkit、R、Theano或PlaidML上運行。

Keras致力于易于使用、模塊化和可擴展。

Fran?ois Chollet（谷歌工程師兼Keras的維護者）解釋，Keras被認為是一種接口，而不是一種獨立的機器學習框架。它提供了更高級、更直觀的抽象集，無論使用哪種計算后端，用戶都可以輕松開發(fā)深度學習模型。

Keras含有常用神經(jīng)網(wǎng)絡構建模塊的眾多實現(xiàn)，比如層、目標、激活函數(shù)、優(yōu)化器以及許多工具，這些工具使圖像和文本數(shù)據(jù)處理起來更容易，從而簡化編寫深度神經(jīng)網(wǎng)絡代碼所需的編程工作。

Keras支持卷積和循環(huán)神經(jīng)網(wǎng)絡。它支持其他常見的實用層，比如隨機失活、批量歸一化和池化。Keras讓用戶可以把深度模型用在智能手機、Web或Java虛擬機上。

編輯：lyn