年度十大最受欢迎机器学习Python库.doc

年度十大最受欢迎机器学****Python库每年的十二月是每个人review过去一年成就的时候,在看自己成就的同时,也同时为未来做好打算。对于程序员来说,十二月通常是回顾今年发布的开源库或者是最近流行的开源库,因为它们是在未来一段时间内解决我们问题的绝佳工具。AI的快速发展,让机器学****走向了巅峰,今天我们就借此盘点一下2017年最受欢迎的机器学****库(ML),希望你能够在这里寻找到你未来一段时间内的利器。。hReitz创立的一个项目,旨在将其他包管理器(如NPM或yarn)的创意整合至Python中。安装virtualenv和virtualenvwrapper,并确保依赖项的依赖项版本的可重复性(在这里阅读更多关于这方面的信息)。使用Pipenv,你可以指定所有的依赖关系,通常使用命令添加,删除或更新依赖项。该工具可以生成一个文件,使得你的构建是确定性的,它可以帮助你避免那些难以捉住的BUG。,在深度学****社区中很受欢迎。PyTorch是构建在流行的Torch框架之上,尤其是它是基于Python的。考虑到过去几年人们一直在使用Python进行数据科学研究,这也是深度学****库大部分是使用Python的原因。最值得注意的是,PyTorch已经成为了众多研究人员的首选框架之一,因为它实现了新颖的动态计算图范例(putationalGraphparadigm)。等框架编写代码时,必须首先定义一个称为计算图的东西。该图指定了我们的代码将运行的所有操作,这些操作稍后会被编译并被框架优化,以便能够在GPU上并行运行得更快。这个范例被称为静态计算图,因为你可以利用各种优化,而且这个图形一旦建成,就可以运行在不同的设备上。然而,在诸如自然语言处理之类的任务中,工作量通常是可变的。在将图像提供给算法之前,把图像调整为固定的分辨率,但不能对可变长度的句子进行相同的处理。这恰恰能体现PyTorch和动态图表的优势,通过让你在代码中使用标准的Python控制指令,图形将在执行时定义,给你更多自由空间,这对于几个任务来说是必不可少的。当然,PyTorch也会自动计算梯度,并且速度非常快,而且是可扩展的。,Facebook今年也发布了另一个的DL框架caffe2。原来的Caffe框架已被广泛使用多年,并以非常不错的性能和经过测试的代码库而闻名。然而,最近DL的趋势使这个框架在某些方面显得有些out。于是Caffe2就成为了它的替代品。Caffe2支持分布式训练、部署,支持最新的CPU和CUDA的硬件。虽然PyTorch可能更适合研究,但Caffe2更适合大规模部署。其实,你可以在PyTorch中构建和训练模型,同时使用Caffe2进行部署!这不是很好吗?,Arrow是一个旨在使你更轻松,同时使用Pythondatetime类进入了榜单,而今年是Pendulum。Pendulum的优点之一是它是Python标准datetime类直接替代品,因此你可以轻松地将其与现有代码集成,并且只有在需要时才能使用其功能。作者特别注意确保时区能够正确处理,默认情况下使每个实例时区感知自己的时区。你也将得到一个扩展t