干货：10大开源Python机器学习框架

入门机器学习和人工智能并非易事。由于如今有大量可用的资源，许多机器学习爱好者发现很难找到正确的方向。想要在这个范畴不断发展，我们就必须跟上其疾速发展的步伐。为了应对机器学习范畴势不可挡的演化和创新速度，了解并紧跟该范畴最新停顿的一个好方法是：作为一个开源社区贡献者，参与到这些开源项目和工具的开发中去。明天，我们将讨论关于Python、机器学习和AI的Top10开源项目。

1. TensorFlow：

TensorFlow是一个开源软件库，它运用数据流图停止数值计算。节点表示图中的数学运算，而图边表示在它们之间活动的多维数据数组（张量）。这种灵敏的架构允许其用户部署计算，而无需将代码重写到个人电脑、服务器或移动设备中的一个或多个CPU或GPU。 TensorFlow还包含一个名为TensorBoard的数据可视化工具包。

GitHub：Tensorflow

2. Scikit-learn：

用于机器学习的Scikit-learn是Python中的一个模块，曾经构建在SciPy的顶层。该项目于2007年作为David Cournapeau的Google Summer of Code项目启动。自此，有许多人参与其中，它目前由一个志愿者团队维护。

GitHub：Scikit-Learn

3. Keras：

用Python编写的Keras是一个高级神经网络API，可以在TensorFlow或Theano上运转。它的开发一直努力于完成疾速实验。

假如您需求一个深度学习库，则可以运用Keras：

经过用户敌对性、模块化和可扩展性，可以完成简单疾速的原型设计。支持卷积神经网络、递归神经网络以及两者的组合。无缝运转在CPU和GPU上。

GitHub：Keras

4. PyTorch：

PyTorch是Python中的一个软件包，它为用户提供以下功能：

仰仗微弱的GPU加速，计算张量在基于磁带的autograd系统上构建深度神经网络

Python包（如NumPy，SciPy和Cython）可以在需求时反复运用以扩展PyTorch。

GitHub：PyTorch

5. Theano：

Theano是一个用Python编写的库，它允许用户定义、优化和评价数学表达式，这些数学表达式高效地触及到多维的数组。它可以运用GPU来执行高效的符号区分。

GitHub：Theano

6. Gensim：

Gensim是Python中的一个库，用于文档索引主题建模和大型语料库的相似性检索。目的受众是信息检索（IR）和自然言语处理（NLP）社区。

特征：

直观的接口易于插入本人的输入语料库/数据流（简单流媒体API）易于运用其他矢量空间算法（简单转换API）算法的高效多核完成非常盛行，如潜在狄利克雷分配（LDA），随机投影（RP）等等。分布式计算：在一组计算机上，有才能运转潜在语义分析和潜在狄利克雷分配。

GitHub：Gensim

7. Caffe：

Caffe是一个深化的学习框架，牢记表达，速度以及模块化。该框架由伯克利人工智能研讨（BAIR）、伯克利视觉和学习中心（BVLC）以及社区贡献者开发。

GitHub：Caffe

8. Chainer：

Chainer是一个基于Python的深度学习框架框架，旨在提高灵敏性。它基于逐一定义的方法（也称为动态计算图）提供自动区分API以及面向对象的高级API来构建以及训练神经网络。

它运用CuPy还支持CUDA / cuDNN停止高功能培训和推理。

GitHub：Chainer

9. Statsmodels：

Statsmodels是Python中的一个软件包，用于统计计算，为用户提供对Scipy的补充，包括描画性统计、估计以及统计模型的推断。

GitHub：Statsmodel

10.Shogun：

Shogun是机器学习工具箱，它为用户提供了广泛的一致以及高效的机器学习（ML）方法。该工具箱允许多个数据表示、算法类以及通用工具无缝组合。

Github：Shogun

pytorch和caffe2合并了，了解一下

[赞]

分享了

分享了

分享了

分享了

分享了

分享了

分享了