[.com速译]python库种类繁多，本文介绍一些流行的机器学习库。1.NumPy：NumPy是一个通用的数组处理包。它提供高性能的多维数组对象和操作这些数组的工具。它是用于科学计算的基本Python包。NumPy是CPythonforPython的参考实现，一个非优化的字节码解释器。NumPy的核心函数是“ndarray”，代表n维数组数据结构。这些数组是内存中的交错视图。与Python的内置列表数据结构相反，这些数组是同构的：单个数组的所有元素必须属于同一类型。2.Scipy：SciPy是一个用于科学和技术计算的免费开源Python库。它包含用于优化、线性代数、积分、插值、特殊函数、FFT、信号和图像处理、ODE求解器以及科学工程中其他常见任务的模块。NumPy堆栈有时也称为SciPy堆栈。SciPy使用的基本数据结构是NumPy模块提供的多维数组。NumPy提供了一些用于线性代数、傅立叶变换和随机数生成的函数，但不具备SciPy中等价函数的通用性。3.Scikit-learn：Scikit-learn（又名sklearn）是Python编程语言的免费软件机器学习库。它具有各种分类、回归和聚类算法，包括支持向量机、随机森林、梯度提升、k-means和DBSCAN，旨在与Python数值库NumPy和科学库SciPy互操作。Scikit-learn项目最初是由DavidCournapeau开发的GoogleSummerofCode项目“SciKit”（SciPy工具包）。它是GitHub上最受欢迎的机器学习库之一。它主要用Python编写，并广泛使用NumPy进行高性能线性代数和数组运算。4.Tensorflow：TensorFlow是一个免费的开源软件库，用于各种任务的数据流和可微分编程。TensorFlow是GoogleBrain的第二代系统。参考实现在单个设备上运行，但TensorFlow可以在多个CPU和GPU上运行。TensorFlow可在64位Linux、macOS、Windows和移动计算平台（包括Android和iOS）上使用。张量处理单元(TPU)：2016年5月，谷歌宣布推出张量处理单元，这是一种专为机器学习构建并为TensorFlow量身定制的专用集成电路。TPU是一种可编程的AI加速器，旨在提供高吞吐量的低精度算术运算，适用于使用或运行模型，而不是训练它们。5.Pytorch：PyTorch是一个基于Torch库的开源机器学习库，用于计算机视觉和自然语言处理等应用，主要由Facebook的AIResearchLab开发。它有一个更完整的Python接口，主要专注于开发，它也有一个C++接口。一些深度学习软件是基于PyTorch构建的，包括Uber的Pyro、HuggingFace的Transformers和Catalyst。它提供了两个先进的功能：通过GPU进行强大加速的张量计算，以及基于磁带的自动微分系统构建的深度神经网络(DNN)。它定义了一个名为Tensor的类来存储和操作异构多维矩形数组。PyTorch张量类似于NumPy数组，但也可以在支持CUDA的NVIDIAGPU上进行处理。6.Keras：Keras是一个用Python编写的开源神经网络库。它可以在TensorFlow、MicrosoftCognitiveToolkit、R、Theano或PlaidML上运行。Keras力求易于使用、模块化和可扩展。Fran?oisChollet（谷歌工程师和Keras维护者）解释说，Keras被认为是一个接口，而不是一个独立的机器学习框架。它提供了更高层次和更直观的抽象集，无论使用何种计算后端，用户都可以轻松开发深度学习模型。Keras包含许多常见神经网络构建块的实现，例如层、目标、激活函数、优化器和许多使处理图像和文本数据更容易的工具，从而简化了编写深度神经网络代码所需的编程工作。Keras支持卷积神经网络和递归神经网络。它支持其他常见的实用层，如dropout、batchnormalization和pooling。Keras允许用户在智能手机、网络或Java虚拟机上使用深度模型。截至2018年年中，Keras拥有超过250,000名个人用户，在KDnuggets2018年软件调查中排名第十，使用率为22%。参考资料：https://en.wikipedia.org/wiki/NumPyhttps://en.wikipedia.org/wiki/Scikit-learnhttps://en.wikipedia.org/wiki/PyTorchhttps://en.wikipedia.org/wiki/Kerashttps://en.wikipedia.org/wiki/TensorFlowhttps://en.wikipedia.org/wiki/SciPy原标题：BestPythonLibrariesForMachineLearningin2020—TOP6，作者：MadhavMishra，转载请注明原文译者及来源为.com，合作站点转载]
