10大Python与机器学习开源项目！第一居然不是它！

进入机器学习和AI并不是一件容易的事。 鉴于目前可用的大量资源，许多有抱负的专业人士和爱好者发现很难建立适当的进入该领域的途径。 该领域正在不断发展，我们必须跟上这一快速发展的步伐。

为了应对今天如此势不可挡的进化和创新的速度，保持更新和了解ML所取得的进展的一个好方法是通过为许多开源项目做出贡献来与社区合作。 高级专业人员每天使用的工具。

今天，我们讨论关于Python，机器学习和AI的十大开源项目。

1. TensorFlow：

TensorFlow是一个开源软件库，它使用数据流图进行数值计算。 节点表示图中的数学运算，而图表边表示在它们之间流动的多维数据阵列（张量）。

这种灵活的体系结构允许其用户部署计算，而无需将代码重写到桌面，服务器或移动设备中的一个或多个CPU或GPU。 TensorFlow还包括一个名为TensorBoard的数据可视化工具包。

由Google开源的两款AIY套件让个人可以轻松获得人工智能。 这两个套件专注于计算机视觉和语音助理，是一个小型自组装纸板箱，配有所需的所有组件。

如果你想更加了解TensorFlow，或者说想实践一下人工智能项目，谷歌的另一款工具或许可以帮到你，也就是谷歌的AIY Projects项目。 AIY Vision Kit附带的软件运行三个基于TensorFlow的神经网络。 其中一个基于谷歌的MobileNets平台，能够识别超过1,000个日常物品。 第二个可以在图像中发现面部和表情。 最后一个是专门用于识别猫，狗和人的神经网络。

2. Scikit-learn：

Scikit-learn for machine learning是Python中的一个模块，它建立在SciPy之上。 该项目于2007年由David Cournapeau作为Google Summer of Code项目启动，从那时起，已经有许多人做出了贡献。 它目前由一个志愿者团队维护。

3. Keras：

用Python编写的Keras是一个高级神经网络API，能够在TensorFlow或Theano之上运行。 它的开发主要集中在实现快速实验。

如果您需要深度学习库，可以使用Keras：

通过用户友好性，模块化和可扩展性，可以轻松快速地进行原型设计。

支持卷积网络，循环网络以及两者的组合。

在CPU和GPU上无缝运行。

4. PyTorch：

PyTorch是Python中的一个包，为用户提供以下功能：

凭借强大的GPU加速，计算Tensor

在基于tape的自动编程系统上构建深度神经网络

可以重用Python包，如NumPy，SciPy和Cython，以在需要时扩展PyTorch。

5. Theano：

Theano是一个用Python编写的库，允许用户定义，优化和评估有效涉及多维数组的数学表达式。 它可以为了执行有效的符号区分使用GPU。

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。 目标受众是信息检索（IR）和自然语言处理（NLP）社区。

特征：

所有算法都是w.r.t. 语料库大小与记忆无关。

直观的接口

易于插入自己的输入语料库/数据流（简单的流API）

使用其他向量空间算法（平凡转换API）轻松扩展

非常流行的算法的高效多核实现，例如潜在Dirichlet分配（LDA），随机投影（RP）等等。

分布式计算：在计算机集群上，能够运行潜在语义分析和潜在Dirichlet分配.

7. Caffe：

Caffe是一个深入学习的框架，牢记表达，速度和模块化。 该框架由伯克利AI研究（BAIR）/伯克利视觉与学习中心（BVLC）以及社区贡献者开发。

8. Chainer：

Chainer是一个基于Python的深度学习框架框架，旨在实现灵活性。 它基于逐个运行的方法（a.k.a.动态计算图）提供自动差异化API以及面向对象的高级API来构建和训练神经网络。

它使用CuPy还支持CUDA / cuDNN进行高性能训练和推理。

9. Statsmodels：

Statsmodels是Python中的一个包，用于统计计算为其用户提供Scipy的补充，包括描述性统计，估计以及统计模型的推断。

10. Shogun：

Shogun是机器学习工具箱，为用户提供各种统一和高效的机器学习（ML）方法。 工具箱非常无缝地允许多个数据表示，算法类以及通用工具的组合。