排名前10的Python机器学习库
Python广泛应用于各种场景，包含非常丰富的第三方库，作为一个Python开发者，必须对最重要的库有足够的认知。接下来的部分就会向你展示，Python中最应该掌握的十大机器学习库。
TensorFlow
Scikit-Learn
Numpy
Keras
PyTorch
LightGBM
Eli5
SciPy
Theano
Pandas
简介
Python是目前最流行的编程语言之一，并在工业界替代了很多其他的编程语言。
Python如此流行的原因有很多，其中一个原因就是它拥有非常多功能强大的第三方库，且易于使用。
Python如此流行的原因有几点：
Python有很多三方库。
Python的简洁和易用使得初学者容易上手。
Python能够从开发、部署到维护，全方位地提升效率。
可移植性很强。
Python的编程语言简单易学，相比C、Java和C++而言，属于高级语言。
因此，只需要几行代码就能构成一个新的应用程序。
Python的简单性吸引了许多开发人员创建可用于机器学习的新库。由于大量的库，Python在机器学习专家中变得非常流行。
所以，本文首先要介绍的第一个库就是TensorFlow。
TensorFlow
什么是TensorFlow？
如果你现在用Python来构建一个机器学习项目，那么你可能听过TensorFlow这个库。
这个库是Google与BrainTeam合作开发的。TensorFlow几乎是每个用于机器学习的Google应用程序的一部分。
TensorFlow就像一个计算库一样，用于编写涉及大量Tensor（张量）运算的新算法，因为神经网络可以轻松地表达为计算图，因此可以使用TensorFlow将其作为Tensor上的一系列运算来实现。另外，张量是代表您数据的N维矩阵。
TensorFlow的特性
TensorFlow针对速度进行了优化，它利用XLA之类的技术进行快速线性代数运算。
1.响应式构造
借助TensorFlow，我们可以轻松地可视化计算图的每个部分，这在使用Numpy或SciKit时是不可取的。
2.灵活性
Tensorflow功能非常重要的一项就是它的可操作性非常强，这意味着它具有模块化以及您想要使其独立的部分，它提供了这一选择。
3.容易训练
它可以轻松地在CPU和GPU上进行分布式训练。
4.并行神经网络训练
TensorFlow提供了pipeline，意味着您可以训练多个神经网络和多个GPU，这使得模型在大规模系统上非常有效。
5.庞大的社区
不用说，如果它是由Google开发的，那么已经有一个庞大的软件工程师团队，他们会不断进行稳定性改进。
6.开源
这个机器学习库最棒的地方就是开源，只要有网络，每个人都可以使用它。
TensorFlow的用途？
您每天都在使用TensorFlow，但是是间接地，比如使用Google语音搜索或Google相册之类的应用程序，这些是TensorFlow的应用程序。
TensorFlow中创建的所有库都是用C和C++编写的。但是，它具有复杂的Python前端。您的Python代码将被编译，然后在使用C和C++构建的TensorFlow分布式执行引擎上执行。
TensorFlow的应用程序数量实际上是无限的，这就是TensorFlow的优点。
Scikit-Learn
什么是Scikit-learn？
它是一个与NumPy和SciPy相关联的Python库，被认为是处理复杂数据的最佳库之一。
这个库做了很多改进，一是交叉验证功能，提供使用多个指标的能力。许多训练方法，如逻辑回归和最近邻，都得到了一些小小的改进。
Scikit-Learn的特性
1.交叉验证：有多种方法可以检查监督模型对未知数据的准确度。
2.无监督学习算法：从聚类、因子分析、主成分分析到无监督神经网络。
3.特征提取：用于从图像和文本中提取特征（例如词袋）
什么情况下使用Scikit-Learn?
它包含大量用于实现标准机器学习和数据挖掘任务的算法，例如降维、分类、回归、聚类和模型选择。在完成这些任务时，我们可以使用Scikit-Learn。
Numpy
什么是Numpy?
Numpy被认为是Python中最受欢迎的机器学习库之一。
TensorFlow和其他库在内部使用Numpy对张量执行多种操作。数组接口是Numpy最好也是最重要的特性。
Numpy的特性
交互性：Numpy具有很好的交互性且易于使用。
数学特性：使复杂的数学实现变得非常简单。
直观：使编码变得非常容易，并且很容易掌握概念。
大量学习资料：广泛使用，因此有很多开源贡献。
Numpy的用途?
该接口可用于将图像、声波和其他二进制原始流表示为N维实数数组。
为了应用这个可用于机器学习的库，了解Numpy对全栈开发人员很重要。
Keras
什么是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神经网络。Keras还提供了一些用于编译模型、处理数据集、图形可视化等的最佳实用工具。
在后端，Keras在内部使用Theano或TensorFlow。也可以使用一些最流行的神经网络，如CNTK。当我们将Keras与其他机器学习库进行比较时，它相对较慢。因为它通过使用后端基础设施创建一个计算图，然后利用它来执行操作。Keras中的所有模型都是可移植的。
Keras的特性
它在GPU和CPU上都能运行流畅。
Keras支持神经网络的几乎所有模型——全连接、卷积、池化、循环神经网络、embedding等。此外，这些模型可以组合起来构建更复杂的模型。
Keras本质上是模块化的，具有令人难以置信的表现力、灵活性，并且适合创新研究。
Keras是一个完全基于Python的框架，可以轻松调试和探索。
什么情况下使用Keras？
您已经在不断地与使用Keras构建的功能进行交互——Netflix、Uber、Yelp、Instacart、Zocdoc、Square和许多其他公司都在使用它。它在将深度学习置于其产品核心的初创公司中尤其受欢迎。
Keras包含许多常用神经网络构建块的实现，例如层、目标、激活函数、优化和大量工具，可以更轻松地处理图像和文本数据。
此外，它还提供了许多预处理数据集和预训练模型，如MNIST、VGG、Inception、SqueezeNet、ResNet等。
Keras也是深度学习研究人员的最爱，排名第二。Keras也被大型科学组织的研究人员采用，特别是CERN和NASA。
PyTorch
什么是PyTorch?
PyTorch是最大的机器学习库，允许开发人员在有GPU加速的情况下执行张量计算，创建动态计算图，并自动计算梯度。除此之外，PyTorch提供了丰富的API来解决与神经网络相关的应用程序问题。
这个机器学习库基于Torch，它是一个用C语言实现的开源机器库，用Lua封装。
这个Python机器学习库于年推出，自推出以来，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。
PyTorch的特性
混合前端
新的混合前端在Eager模式下具备易用性和灵活性，同时在C++运行时环境中无缝过渡到图形模式以实现速度、优化和功能。
分布式训练
通过利用本地支持异步执行集体操作和对等通信（Python和C++），优化研究和生产的性能。
Python优先
PyTorch不是Python绑定到C++整体框架中，它旨在与Python深度集成，因此可以与流行的库和包（如Cython和Numba）一起使用。
库和工具
活跃的研究人员和开发人员社区构建了丰富的工具和库生态系统，用于扩展PyTorch并支持从计算机视觉到强化学习等领域的开发。
PyTorch的应用?
PyTorch主要用于自然语言处理等应用。
它主要由Facebook的人工智能研究小组开发，Uber用于概率编程的“Pyro”软件是基于它构建的。
PyTorch在多个方面都优于TensorFlow，并且在最近受到了很多