推荐：使用 NSDT场景编辑器 助你快速搭建3D应用场景
这篇文章针对的是刚开始使用Python进行AI的人，以及那些有经验的人，但对下一步要学习什么有疑问的人。我们将不时花点时间向初学者介绍基本术语和概念。如果您已经熟悉它们，我们鼓励您跳过更基本的材料并继续阅读，以了解对图形执行和急切执行等更精细的观点的看法。这篇文章将解释人工智能最重要的 Python 库和包，解释如何使用它们，并介绍它们的优点和缺点。
用于AI和ML的最广泛使用的Python库
将正确的库组合添加到开发环境中至关重要。以下包和库对于大多数 AI 开发人员至关重要。所有这些都可以作为开源发行版免费提供。
Scikit-learn：如果你需要做机器学习
它是什么：Scikit-learn是一个用于实现机器学习算法的Python库。
背景：一位名叫David Cournapeau的开发人员最初在2007年以学生身份发布了scikit-learn。开源社区迅速采用了它，多年来已经多次更新它。
特征： Scikit-learn中的软件包专注于建模数据。
- Scikit-learn包括所有核心机器学习算法，其中包括向量机，随机森林，梯度提升，k均值聚类和DBSCAN。
- 它旨在与 NumPy 和 SciPy（如下所述）无缝协作，以进行数据清理、准备和计算。
- 它具有用于加载数据以及将其拆分为训练集和测试集的模块。
- 它支持文本和图像数据的特征提取。
最适合：Scikit-learn是任何从事机器学习工作的人的必备品。如果您需要实现分类、回归、聚类、模型选择等算法，它被认为是可用的最佳库之一。
缺点：Scikit-learn是在深度学习起飞之前建立的。虽然它非常适合核心机器学习和数据科学工作，但如果你正在构建神经网络，你将需要TensorFlow或Pytorch（下图）。
最佳学习场所：Python 中的机器学习与数据学校的 Scikit-Learn 一起。（注意：Scikit-learn是最容易学习的Python库之一。一旦你精通Python本身，Scikit-learn就很容易了。
NumPy：如果您需要处理数字
它是什么：NumPy是一个Python包，用于处理数组或大型同质数据集合。您可以将数组视为电子表格，其中数字存储在列和行中。
背景：Python在1991年推出时最初并不是为了数值计算。尽管如此，它的易用性还是很早就引起了科学界的注意。多年来，开源社区开发了一系列用于数值计算的软件包。2005年，开发人员Travis Oliphant将十多年的开源开发合并到一个用于数值计算的库中，他称之为NumPy。
特征：NumPy的核心功能是对数组的支持，它允许您快速处理和操作大型数据集合。
- NumPy 中的数组可以是 n 维的。这意味着数据可以是单列数字，也可以是多列和多行数字。
- NumPy有用于执行一些线性代数函数的模块。
- 它还具有用于绘制和绘制数字数组的模块。
- NumPy 数组中的数据是同质的，这意味着它必须全部定义为相同的类型（数字、字符串、布尔值等）。这意味着数据得到有效处理。
最适合：操作和处理数据以进行更高级的数据科学或机器学习操作。如果你正在处理数字，你需要NumPy。
缺点：由于 NumPy 数组是同类的，因此它们不适合混合数据。你最好使用Python列表。此外，当处理超过 500，000 列时，NumPy 的性能往往会下降。
最佳学习场所：Linear Regression with NumPy and Python from Coursera。
Pandas：如果您需要操作数据
它是什么：Pandas是一个同时处理不同类型的标记数据的软件包。例如，如果您需要分析包含数字、字母和字符串数据的 CSV 文件，则可以使用它。
背景：韦斯·麦金尼（Wes McKinney）于2008年发行了《熊猫》。它建立在 NumPy 之上（事实上，您必须安装 NumPy 才能使用 Pandas），并扩展该包以处理异构数据。
特征：Pandas的核心功能是其多样化的数据结构，允许用户执行各种分析操作。
- Pandas 有各种用于数据操作的模块，包括重塑、连接、合并和透视。
- 熊猫具有数据可视化功能。
- 用户可以执行数学运算，包括微积分和统计，而无需调用外部库。
- 它具有可帮助您解决丢失数据的模块。
最适合：数据分析。
缺点：在vanilla Python和Pandas之间切换可能会令人困惑，因为后者的语法稍微复杂一些。熊猫的学习曲线也很陡峭。这些因素，再加上糟糕的文档，可能使其难以上手。
最好的学习场所：我从 DeepLearning.AI 开始介绍pandas。
SciPy：如果你需要为数据科学做数学
它是什么：SciPy是一个用于科学计算的Python库。它包含用于执行计算的包和模块，可帮助科学家进行或分析实验。
背景：在 1990 年代末和 2000 年代初，Python 开源社区开始开发一系列工具以满足科学界的需求。2001年，他们以SciPy的形式发布了这些工具。社区保持活跃，并始终更新和添加新功能。
特征：SciPy 的软件包包括一个完整的数学技术工具包，包括微积分、线性代数、统计学、概率等。
- 它对数据科学家来说最受欢迎的一些软件包是用于插值、K 均值检验、数值积分、傅里叶变换、正交距离回归和优化。
- SciPy 还包括用于图像处理和信号处理的软件包。
- Weave功能允许用户在Python中用C / C++编写代码。
最适合：SciPy是数据科学家最好的朋友。
缺点：一些用户发现 SciPy 的文档缺乏，并批评它的几个软件包不如 MatLab 中的类似软件包。
最佳学习场所：Ahmad Bazzi 的 SciPy 编程。
如果你需要做机器学习：TensorFlow vs. PyTorch
TensorFlow和PyTorch执行与深度学习相关的相同基本任务：它们使获取数据，训练模型和生成预测变得容易。从人脸识别到大型语言模型，许多神经网络都是使用TensorFlow或PyTorch进行编码的。这些库曾经在前端和后端都明显不同。随着时间的推移，他们围绕同一套最佳实践趋同。
尽管如此，人工智能社区内部仍在争论哪个是最好的。2015年发布的TensorFlow是第一个出现在现场。它在商业人工智能和产品开发中占主导地位，但许多用户抱怨它的复杂性。
PyTorch于2016年发布，被广泛认为它更容易学习，实施起来更快。它是学术界的最爱，并在工业界稳步普及。但是，众所周知，它在缩放方面很困难。
选择哪个？
TensorFlow仍然是业界占主导地位的深度学习库。这部分是由于惯性，部分原因是TensorFlow在处理大型项目和复杂工作流程方面比PyTorch更好。它能够处理针对商业部署进行扩展的 AI 产品，使其成为产品开发的最爱。
如果你只是跳入深度学习，并希望专注于快速构建和原型设计模型，PyTorch可能是更好的选择。请注意，根据你的工作要求和公司技术，你可能有一天必须学习TensorFlow（特别是如果你梦想的工作是在TensorFlow的故乡谷歌）。
在下面详细了解这两个库的优缺点。
TensorFlow
这是什么？ TensorFlow 是一个端到端的开源库，用于开发、训练和部署深度学习模型。
背景： TensorFlow最初由Google Brain于2015年发布。最初，它的前端不是用户友好的，并且它具有冗余的API，这使得构建和实现模型变得繁琐。随着时间的推移，其中许多问题已经通过更新以及通过将 Keras（见下文）集成为默认前端而得到解决。
特征： TensorFlow有许多用于构建深度学习模型并将其扩展以进行商业部署的软件包。
- TensorFlow用户可以调用Dev Hub和Model Garden中的数百个预先训练的模型。开发人员中心包含即插即用模型，而模型花园适用于习惯于进行自定义的更高级用户。
- 它在使用内存方面非常有效，可以并行训练多个神经网络。
- TensorFlow 应用程序可以在各种硬件系统上运行，包括 CPU、GPU、TPU 等。
- TensorFlow Lite针对移动和嵌入式机器学习模型进行了优化。
- 用户可以在 Tensorboard.dev 上自由上传和分享他们的机器学习实验。
最适合：大规模构建生产就绪的深度学习模型。
缺点：一些用户仍然抱怨前端相当复杂。您可能还会遇到TensorFlow执行缓慢的批评。这主要是TensorFlow 1.0的遗留问题，当时它默认以图形模式执行操作。TensorFlow 2.0默认为预先执行模式。
最佳学习场所：来自 DeepLearning.ai 的TensorFlow开发人员专业证书。
Keras：
它是什么：Keras是一个适合初学者的工具包，用于处理神经网络。它是TensorFlow的前端接口。
背景：谷歌工程师Francois Choillet于2015年发布了Keras，作为许多深度学习库的API。截至 2020 年，Keras 是 TensorFlow 独有的。
特征： Keras 处理在 TensorFlow 中构建神经网络的高级任务，因此包含激活函数、层、优化器等基本模块。
- Keras 支持原版神经网络、卷积神经网络和递归神经网络以及实用程序层，包括批量归一化、辍学和池化。
- 它旨在简化深度神经网络的编码。
最适合：开发深度学习网络。
缺点：它仅适用于TensorFlow用户。如果你使用TensorFlow，你就是在使用Keras。
最佳学习场所： IBM 的 Keras 深度学习和神经网络简介。
PyTorch
它是什么：PyTorch是Facebook AI研究实验室对TensorFlow的回答。它是一个开源的通用库，用于机器学习和数据科学，特别是深度学习。
背景： Facebook在2016年发布了PyTorch，比TensorFlow晚了一年，它迅速受到对快速原型感兴趣的学者和其他研究人员的欢迎。这是由于其简化的前端以及其默认模式立即执行操作的事实（而不是像TensorFlow那样将它们添加到图形中以供以后处理）。
特征：PyTorch有许多类似于TensorFlow的特性。事实上，自推出以来的几年里，每个库都进行了更新，以包含用户最喜欢的功能。
- PyTorch有自己的预训练模型库。PyTorch Hub 面向想要尝试模型设计的学术用户，生态系统工具包含预先训练的模型。
- PyTorch 具有内存效率，可以并行训练多个模型。
- 它支持多种硬件类型。
最适合：深度学习模型的快速原型设计。Pytorch 代码运行快速高效。
缺点：一些用户报告说，PyTorch 在处理大型项目、大型数据集和复杂的工作流程时遇到了困难。构建要大规模部署的AI产品的开发人员可能更喜欢TensorFlow。
最佳学习地点：来自 PyTorch.org 的 PyTorch 教程。
结论
Python库的成熟是它在AI社区中如此受欢迎的主要原因之一。它们可以轻松地将Python扩展到远远超出其原始设计的任务。一旦你牢牢掌握了 Python 语言和与你的工作相关的库，你将能够为广泛的应用程序构建、训练和迭代机器学习模型。
