随着人工智能技术发展且普及开来, 它超越了好多其他编程语言, 变成了机器学习领域里极热门且极常用的编程语言当中的一个。致使它在众多开发者里这般受追捧存在好多缘由, 其中一个便是它有着大量跟机器学习相关的开源框架以及工具库。依据它的数据表明, 45%的科技公司都趋向于把它用作人工智能与机器学习领域的编程语言。
使 如此受欢迎主要由于：
打从设计起始便是冲着效率形成的, 借此让项目从开展到达成再于维护运作都能够维持较高的产能；在民间有许多基于 的开源架构以及工具集合； 轻易能够上手, 简直可以称作是编程新手的福音；和 C、Java、C++相比较而言, 的语法更为简易, 更具先进性, 仅仅需要更少行数的代码就能够达成其他编程语言同样的功用； 的跨越平台的本事；恰是因为 简便好用再加上高开发效能, 招徕了众多开发者为其中创建更多全新的机器学习工具集合；又因众多机器学习工具集合的出现, 致使 在机器学习范畴变得这般流行。
接下来, 我们要去探寻一番, 在机器学习这个领域里, 最为受到欢迎的，那十大框架或者工具库:
若你正借助其从事机器学习项目, 那你必定听闻过其中一个声名远扬的框架, 框架主要由大脑团队予以开发, 主要运用于深度学习计算, 几乎所有的机器学习应用都对它有所使用, 比如说在运用语音搜索或者相册时, 你实际上都是在间接地运用其所搭建的模型。
拿神经网络运算去抽象成为运算图（Graph）, 存在着一个运算图, 于此里边含有许多数量的张量（）运算, 张量它实际上是N维数据所构成的集合, 神经网络运算的本质是凭借张量运算去拟合输入张量跟输出张量之间的映射关系标点符号就是句号。
在其中, 并行运算属于那主要优势里的一项, 这意味着, 你能够借助代码设置, 去施行分配自身 CPU 计算资源这件事, 以达成并行化的图运算, 与此同时, 去施行分配自身 GPU 计算资源此行为, 进而达成同类并行化的图运算。
框架里全部的工具库都是借由C或者C++予以编写, 然而它给出了用 编写的接口封装。实际上, 你运用 编写的神经网络模型最终会去调用基于C和C++编写的 内核来施行运算。
运用过像XLA也就是加速线性代数呢这样的技术，针对运算过程做了优化之举, 从而以此保证它在能够灵活地去调用计算资源之际, 还能维持高效的运算速度。
Keras
若你身为深度学习开发领域的新手之人, 那么强烈很是建议你去使用被认作是属于最为酷派酷之的深度学习库一员成员之其一的 Keras, 它给出了极为简明扼要的机制用以去表达神经网络结构, 并且它还给出了诸多非常很棒的工具用来对神经网络模型进行编译, 对数据予以处理, 以及针对网络结构开展进行可视化之类繁多等等的操作有关之事种种。
Keras本质上是对诸如等基础框架作深层次的再封装, 进而提供统一的API来使得神经网络的搭建以及训练得以 。要是你计划以作为后端基础框架, 那么就一定要去遵循以下架构图:
此外, Keras给出了诸多经过预先处理的数据集合, 比如说MNIST, 以及预先训练好的模型架构, 就诸如VGG这般等等。
是一个被用于多维数组计算的运算框架, 其工作原理与某事物相似, 然而却要比该事物低效, 所以故而它不适用于生产环境。
此外， 还可以用于与 类似的分布式或并行环境。
它是极为庞大的深度学习库, 能让开发人员借助加速 GPU 来开展张量计算, 进而创建动态计算图, 并且还能够自动计算梯度。除此之外, 它还给予极为丰富的 API, 用来攻克跟神经网络有关联的应用问题。
依赖于 Torch 的这个深度学习库, 这是个借助 C 语言达成的开源机器库, 还以 Lua 语言予以了封装。和 的差异之处在于, 所运用的是 “静态计算图” 的观念, 然而 采用的是 “动态计算图” 的观念。最为直观的那种感受是, 运用 编写的神经网络模型代码, 更近似于常见的 代码。 于 2017 年面向大众呈现, 自组建以来, 该库逐渐受到更多认可且招揽了越来越多的机器学习开发人员。
它属于最好且最受欢迎的机器学习库行列, 借助重新定义的基本模型以及决策树, 来助力开发人员构建全新算法。为此, 有专门用于快速且高效实现该方法的库被设计出来。这些库涵盖了某些特定的库, 它们彼此是竞争对手, 采用近乎相同思路去解决共同问题。这些库都给出了高度可扩展、经优化且快速的梯度增强实现版本, 在机器学习开发人员当中颇受青睐。原因在于多数机器学习开发人员借助使用这些算法, 得以在机器学习竞赛中获胜。
Numpy
Numpy是被公认为极为受欢迎的, 机器学习库当中的一个, 以及许多其他框架内部运用Numpr针对张量开展多重操作, 数组接口算作Numpy最为出色且极具重要性的功能, 这个接口能够用来将那种图像、音频以及还有其他二进制流的数据以表现形式呈现成多维实数数组, 为了能够致力于把如此这般的库应用至机器学习领域之中, 对于开发者来讲掌握Numpy的相关操作意义是非同寻常的。
有一个机器学习库, 它供给各类高级工具用以开展数据分析, 其中一项很厉害的功能就是能用一两行代码达成复杂的数据操作, 存在多个内置方法用于分组统计、合并数据、数据筛选以及时间序列操作, 所有这些操作都具备出色的性能表现, 所以, 用于通常用于数据挖掘任务。
SciPy
应用开发者以及工程师们所使用的机器学习库是 SciPy, 不过, 你得清楚 SciPy 库和田 SciPy Stack 之间的差异, SciPy 库属于 SciPy Stack 的一个子集, SciPy 库中含有优化器、线性代数、积分、插值、快速傅立叶变换、信号与图像处理、统计等子模块, 并且所有子模块里的函数均具备完整的文档说明, 使用起来很便利。
SciPy库的主要功能, 是基于Numpy来予以实现的, 它的数组操作, 就是运用了Numpy的数组操作。
sk-learn, 又被称作 learn, 是一个依托于 Numpy 以及 SciPy 的库 ，它被视作处理繁杂数据的极为出色的机器学习库当中的一个 , 它涵盖了众多用于达成传统机器学习与数据挖掘各项任务的算法 , 像数据降维 、分类 、回归 、聚类 , 还有模型选择等等。
时间持续推进, sk – learn持续演进, 它增添了交叉验证功能, 具备了使用多个衡量指标的能力, 众多训练方法有了一定改进, 像逻辑回归、近邻算法（KNN）等。
Eli5
通常情况下, 于机器学习任务里碰到的难题在于, 模型的预测结果展现出不准确的状况。而靠构建而成的 Eli5 机器学习库, 得以助力去攻克这一难题。它为此有的机器学习框架供给了好些内置的协助, 像是模型数据可视化、模型调试、算法跟踪之类、等, 促使机器学习模型面向开发者来说, 不再是一个类似黑盒子的存在、事物。
问五岁小孩的那种简单解释方式支持, 用于机器学习的sk – learn, 以及其他等等的机器学习框架, 或者机器学习库。”。
以上提到的可视化任务, 这些框架与库能够实现, 模型调试任务, 这些框架与库也能够实现, 算法跟踪任务, 同样这些框架与库能够实现。
结语：
以上便是, 被机器学习专家们以及数据科学家们, 普遍予以认可的, 十大机器学习框架或者工具库。所有的这些框架, 还有库, 都值得去看一看, 并且试一试。
当然, 除去上面所提及的框架以及工具库之外, 还有好多其他的机器学习库同样是值得予以关注的了。比如说, -image便是同归属于系列的另外一个着重于图像领域层面的工具库了。
盼望这篇文章能够助力你，为你的项目挑选出恰当的机器学习框架, 或者工具库哟。
