Pengenalan kepada pembelajaran mesin yang biasa digunakan dan perpustakaan pembelajaran mendalam dalam python (perkongsian ringkasan)

Artikel ini membawakan anda pengetahuan yang berkaitan tentang python terutamanya ringkasan pembelajaran mesin dan perpustakaan pembelajaran mendalam. Mari kita lihat bersama-sama akan membantu Semua orang membantu.

Pembelajaran yang disyorkan: tutorial video python

Kata Pengantar

Pada masa ini, dengan The populariti kecerdasan buatan telah menarik perhatian banyak industri kepada kecerdasan buatan, dan juga telah membawa gelombang kegilaan pembelajaran kecerdasan buatan Walaupun prinsip di sebalik kecerdasan buatan tidak boleh diperkenalkan secara terperinci dalam artikel pendek, Seperti semua disiplin, kami tidak melakukannya. perlu "mencipta roda" dari awal Kita boleh membina model kecerdasan buatan dengan cepat dengan menggunakan rangka kerja kecerdasan buatan yang kaya untuk memulakan trend kecerdasan buatan.

Kecerdasan buatan merujuk kepada satu siri teknologi yang membolehkan mesin memproses maklumat seperti manusia pembelajaran mesin ialah proses menggunakan pengaturcaraan komputer untuk belajar daripada data sejarah dan meramalkan data baharu adalah berdasarkan otak biologi; Model komputer bagi struktur dan ciri pembelajaran mesin ialah subset pembelajaran mesin yang memproses sejumlah besar data tidak berstruktur seperti pertuturan manusia, teks dan imej. Oleh itu, konsep-konsep ini saling bergantung secara hierarki, dengan kecerdasan buatan sebagai istilah yang paling luas dan pembelajaran mendalam sebagai yang paling khusus: Mempunyai pemahaman awal tentang perpustakaan

untuk memilih perpustakaan yang boleh memenuhi keperluan anda untuk belajar, dan memberi penerangan ringkas dan pengenalan komprehensif kepada perpustakaan kecerdasan buatan yang lebih biasa pada masa ini.

Python

Pengenalan kepada pembelajaran mesin biasa dan perpustakaan pembelajaran mendalam dalam python

1

ialah perpustakaan sambungan , yang menyokong sejumlah besar operasi tatasusunan dan matriks dimensi Selain itu, ia juga menyediakan sejumlah besar perpustakaan fungsi matematik untuk operasi tatasusunan. Lapisan bawah ditulis menggunakan , objek disimpan terus dalam tatasusunan dan bukannya penuding objek, jadi kecekapan operasinya jauh lebih tinggi daripada kod

.

Kita boleh membandingkan kelajuan pengiraan nilai dosa senarai antara NumPy(Numerical Python) dan menggunakan Python dalam contoh: NumpyC语言纯Python代 Daripada hasil larian berikut, anda boleh melihat bahawa menggunakan
perpustakaan Lebih pantas daripada kod yang ditulis dalam Python tulen: 纯PythonNumpy库

import numpy as npimport mathimport randomimport time

start = time.time()for i in range(10):
    list_1 = list(range(1,10000))
    for j in range(len(list_1)):
        list_1[j] = math.sin(list_1[j])print("使用纯Python用时{}s".format(time.time()-start))start = time.time()for i in range(10):
    list_1 = np.array(np.arange(1,10000))
    list_1 = np.sin(list_1)print("使用Numpy用时{}s".format(time.time()-start))

2 Pengenalan kepada pembelajaran mesin yang biasa digunakan dan perpustakaan pembelajaran mendalam dalam python (perkongsian ringkasan)

Numpy

使用纯Python用时0.017444372177124023s
使用Numpy用时0.001619577407836914s

ialah perpustakaan penglihatan komputer merentas platform yang boleh dijalankan. pada Linux, pada sistem pengendalian Windows dan Mac OS. Ia ringan dan cekap - ia terdiri daripada satu siri fungsi C dan sebilangan kecil kelas C Ia juga menyediakan antara muka

untuk melaksanakan banyak algoritma biasa dalam pemprosesan imej dan penglihatan komputer. Kod berikut cuba menggunakan beberapa penapis mudah, termasuk pelicinan imej, kabur Gaussian, dsb.:

Pengenalan kepada pembelajaran mesin yang biasa digunakan dan perpustakaan pembelajaran mendalam dalam python (perkongsian ringkasan)Python
Anda boleh merujuk kepada asas pemprosesan imej Pengenalan kepada pembelajaran mesin yang biasa digunakan dan perpustakaan pembelajaran mendalam dalam python (perkongsian ringkasan) ( transformasi dan denoising) untuk mengetahui lebih lanjut mengenai operasi pemprosesan imej Pengenalan kepada pembelajaran mesin yang biasa digunakan dan perpustakaan pembelajaran mendalam dalam python (perkongsian ringkasan).

import numpy as npimport cv2 as cvfrom matplotlib import pyplot as plt
img = cv.imread('h89817032p0.png')kernel = np.ones((5,5),np.float32)/25dst = cv.filter2D(img,-1,kernel)blur_1 = cv.GaussianBlur(img,(5,5),0)blur_2 = cv.bilateralFilter(img,9,75,75)plt.figure(figsize=(10,10))plt.subplot(221),plt.imshow(img[:,:,::-1]),plt.title('Original')plt.xticks([]), plt.yticks([])plt.subplot(222),plt.imshow(dst[:,:,::-1]),plt.title('Averaging')plt.xticks([]), plt.yticks([])plt.subplot(223),plt.imshow(blur_1[:,:,::-1]),plt.title('Gaussian')plt.xticks([]), plt.yticks([])plt.subplot(224),plt.imshow(blur_1[:,:,::-1]),plt.title('Bilateral')plt.xticks([]), plt.yticks([])plt.show()

3. Pengenalan kepada pembelajaran mesin yang biasa digunakan dan perpustakaan pembelajaran mendalam dalam python (perkongsian ringkasan)

ialah perpustakaan pemprosesan imej berdasarkan

, yang memproses imej sebagai tatasusunan. Contohnya, anda boleh menggunakan

untuk menukar nisbah imej

menyediakan fungsi seperti scikit-image, scipy dan numpy.
scikit-imagescikit-imagerescaleresizedownscale_local_mean

4. Perpustakaan Pengimejan Python (PIL)

from skimage import data, color, iofrom skimage.transform import rescale, resize, downscale_local_mean

image = color.rgb2gray(io.imread('h89817032p0.png'))image_rescaled = rescale(image, 0.25, anti_aliasing=False)image_resized = resize(image, (image.shape[0] // 4, image.shape[1] // 4),
                       anti_aliasing=True)image_downscaled = downscale_local_mean(image, (4, 3))plt.figure(figsize=(20,20))plt.subplot(221),plt.imshow(image, cmap='gray'),plt.title('Original')plt.xticks([]), plt.yticks([])plt.subplot(222),plt.imshow(image_rescaled, cmap='gray'),plt.title('Rescaled')plt.xticks([]), plt.yticks([])plt.subplot(223),plt.imshow(image_resized, cmap='gray'),plt.title('Resized')plt.xticks([]), plt.yticks([])plt.subplot(224),plt.imshow(image_downscaled, cmap='gray'),plt.title('Downscaled')plt.xticks([]), plt.yticks([])plt.show()

telah menjadi imej de facto

Pustaka standard ditangani, kerana sangat berkuasa, tetapi API sangat mudah dan mudah digunakan. Walau bagaimanapun, memandangkan PIL hanya menyokong

dan sedang rosak, sekumpulan sukarelawan mencipta versi yang serasi berdasarkan

, bernama Python Imaging Library(PIL), yang menyokong Python terbaharu dan Banyak ciri baharu telah ditambah, supaya kita boleh melangkau PIL dan memasang serta menggunakan
secara langsung. Python 2.7PILPillow5 BantalPython 3.xPILPillowGunakan

untuk menjana imej kod pengesahan surat:

6、 SimpleCV

SimpleCV 是一个用于构建计算机视觉应用程序的开源框架。使用它，可以访问高性能的计算机视觉库，如 Pengenalan kepada pembelajaran mesin yang biasa digunakan dan perpustakaan pembelajaran mendalam dalam python (perkongsian ringkasan)，而不必首先了解位深度、文件格式、颜色空间、缓冲区管理、特征值或矩阵等术语。但其对于 Python3 的支持很差很差，在 Python3.7 中使用如下代码：

from SimpleCV import Image, Color, Display# load an image from imgurimg = Image('http://i.imgur.com/lfAeZ4n.png')# use a keypoint detector to find areas of interestfeats = img.findKeypoints()# draw the list of keypointsfeats.draw(color=Color.RED)# show the  resulting image. img.show()# apply the stuff we found to the image.output = img.applyLayers()# save the results.output.save('juniperfeats.png')

会报如下错误，因此不建议在 Python3 中使用：

SyntaxError: Missing parentheses in call to 'print'. Did you mean print('unit test')?

7、 Pengenalan kepada pembelajaran mesin yang biasa digunakan dan perpustakaan pembelajaran mendalam dalam python (perkongsian ringkasan)

Pengenalan kepada pembelajaran mesin yang biasa digunakan dan perpustakaan pembelajaran mendalam dalam python (perkongsian ringkasan) 是一个快速计算机视觉算法库，其构建在 Numpy 之上，目前拥有超过100种图像处理和计算机视觉功能，并在不断增长。
使用 Pengenalan kepada pembelajaran mesin yang biasa digunakan dan perpustakaan pembelajaran mendalam dalam python (perkongsian ringkasan) 加载图像，并对像素进行操作：

import numpy as npimport mahotasimport mahotas.demosfrom mahotas.thresholding import soft_thresholdfrom matplotlib import pyplot as pltfrom os import path
f = mahotas.demos.load('lena', as_grey=True)f = f[128:,128:]plt.gray()# Show the data:print("Fraction of zeros in original image: {0}".format(np.mean(f==0)))plt.imshow(f)plt.show()

8、 Ilastik

Ilastik 能够给用户提供良好的基于机器学习的生物信息图像分析服务，利用机器学习算法，轻松地分割，分类，跟踪和计数细胞或其他实验数据。大多数操作都是交互式的，并不需要机器学习专业知识。可以参考https://www.ilastik.org/documentation/basics/installation.html进行安装使用。

9、 Scikit-learn

Scikit-learn 是针对 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均值和 DBSCAN 等多种机器学习算法。
使用Scikit-learn实现Pengenalan kepada pembelajaran mesin yang biasa digunakan dan perpustakaan pembelajaran mendalam dalam python (perkongsian ringkasan)算法：

import timeimport numpy as npimport matplotlib.pyplot as pltfrom sklearn.cluster import MiniBatchPengenalan kepada pembelajaran mesin yang biasa digunakan dan perpustakaan pembelajaran mendalam dalam python (perkongsian ringkasan), Pengenalan kepada pembelajaran mesin yang biasa digunakan dan perpustakaan pembelajaran mendalam dalam python (perkongsian ringkasan)from sklearn.metrics.pairwise import pairwise_distances_argminfrom sklearn.datasets import make_blobs# Generate sample datanp.random.seed(0)batch_size = 45centers = [[1, 1], [-1, -1], [1, -1]]n_clusters = len(centers)X, labels_true = make_blobs(n_samples=3000, centers=centers, cluster_std=0.7)# Compute clustering with Meansk_means = Pengenalan kepada pembelajaran mesin yang biasa digunakan dan perpustakaan pembelajaran mendalam dalam python (perkongsian ringkasan)(init='k-means++', n_clusters=3, n_init=10)t0 = time.time()k_means.fit(X)t_batch = time.time() - t0# Compute clustering with MiniBatchPengenalan kepada pembelajaran mesin yang biasa digunakan dan perpustakaan pembelajaran mendalam dalam python (perkongsian ringkasan)mbk = MiniBatchPengenalan kepada pembelajaran mesin yang biasa digunakan dan perpustakaan pembelajaran mendalam dalam python (perkongsian ringkasan)(init='k-means++', n_clusters=3, batch_size=batch_size,
                      n_init=10, max_no_improvement=10, verbose=0)t0 = time.time()mbk.fit(X)t_mini_batch = time.time() - t0# Plot resultfig = plt.figure(figsize=(8, 3))fig.subplots_adjust(left=0.02, right=0.98, bottom=0.05, top=0.9)colors = ['#4EACC5', '#FF9C34', '#4E9A06']# We want to have the same colors for the same cluster from the# MiniBatchPengenalan kepada pembelajaran mesin yang biasa digunakan dan perpustakaan pembelajaran mendalam dalam python (perkongsian ringkasan) and the Pengenalan kepada pembelajaran mesin yang biasa digunakan dan perpustakaan pembelajaran mendalam dalam python (perkongsian ringkasan) algorithm. Let's pair the cluster centers per# closest one.k_means_cluster_centers = k_means.cluster_centers_
order = pairwise_distances_argmin(k_means.cluster_centers_,
                                  mbk.cluster_centers_)mbk_means_cluster_centers = mbk.cluster_centers_[order]k_means_labels = pairwise_distances_argmin(X, k_means_cluster_centers)mbk_means_labels = pairwise_distances_argmin(X, mbk_means_cluster_centers)# Pengenalan kepada pembelajaran mesin yang biasa digunakan dan perpustakaan pembelajaran mendalam dalam python (perkongsian ringkasan)for k, col in zip(range(n_clusters), colors):
    my_members = k_means_labels == k
    cluster_center = k_means_cluster_centers[k]
    plt.plot(X[my_members, 0], X[my_members, 1], 'w',
            markerfacecolor=col, marker='.')
    plt.plot(cluster_center[0], cluster_center[1], 'o', markerfacecolor=col,
            markeredgecolor='k', markersize=6)plt.title('Pengenalan kepada pembelajaran mesin yang biasa digunakan dan perpustakaan pembelajaran mendalam dalam python (perkongsian ringkasan)')plt.xticks(())plt.yticks(())plt.show()

10、 Pengenalan kepada pembelajaran mesin yang biasa digunakan dan perpustakaan pembelajaran mendalam dalam python (perkongsian ringkasan)

Pengenalan kepada pembelajaran mesin yang biasa digunakan dan perpustakaan pembelajaran mendalam dalam python (perkongsian ringkasan) 库提供了许多用户友好和高效的数值计算，如数值积分、插值、优化、线性代数等。
Pengenalan kepada pembelajaran mesin yang biasa digunakan dan perpustakaan pembelajaran mendalam dalam python (perkongsian ringkasan) 库定义了许多数学物理的特殊函数，包括椭圆函数、贝塞尔函数、伽马函数、贝塔函数、超几何函数、抛物线圆柱函数等等。

from scipy import specialimport matplotlib.pyplot as pltimport numpy as npdef drumhead_height(n, k, distance, angle, t):
    kth_zero = special.jn_zeros(n, k)[-1]
    return np.cos(t) * np.cos(n*angle) * special.jn(n, distance*kth_zero)theta = np.r_[0:2*np.pi:50j]radius = np.r_[0:1:50j]x = np.array([r * np.cos(theta) for r in radius])y = np.array([r * np.sin(theta) for r in radius])z = np.array([drumhead_height(1, 1, r, theta, 0.5) for r in radius])fig = plt.figure()ax = fig.add_axes(rect=(0, 0.05, 0.95, 0.95), projection='3d')ax.plot_surface(x, y, z, rstride=1, cstride=1, cmap='RdBu_r', vmin=-0.5, vmax=0.5)ax.set_xlabel('X')ax.set_ylabel('Y')ax.set_xticks(np.arange(-1, 1.1, 0.5))ax.set_yticks(np.arange(-1, 1.1, 0.5))ax.set_zlabel('Z')plt.show()

11、 Pengenalan kepada pembelajaran mesin yang biasa digunakan dan perpustakaan pembelajaran mendalam dalam python (perkongsian ringkasan)

Pengenalan kepada pembelajaran mesin yang biasa digunakan dan perpustakaan pembelajaran mendalam dalam python (perkongsian ringkasan) 是构建Python程序以处理自然语言的库。它为50多个语料库和词汇资源(如 WordNet )提供了易于使用的接口，以及一套用于分类、分词、词干、标记、解析和语义推理的文本处理库、工业级自然语言处理 (Natural Language Processing, NLP) 库的包装器。
Pengenalan kepada pembelajaran mesin yang biasa digunakan dan perpustakaan pembelajaran mendalam dalam python (perkongsian ringkasan)被称为 “a wonderful tool for teaching, and working in, computational linguistics using Python”。

import nltkfrom nltk.corpus import treebank# 首次使用需要下载nltk.download('punkt')nltk.download('averaged_perceptron_tagger')nltk.download('maxent_ne_chunker')nltk.download('words')nltk.download('treebank')sentence = """At eight o'clock on Thursday morning Arthur didn't feel very good."""# Tokenizetokens = nltk.word_tokenize(sentence)tagged = nltk.pos_tag(tokens)# Identify named entitiesentities = nltk.chunk.ne_chunk(tagged)# Display a parse treet = treebank.parsed_sents('wsj_0001.mrg')[0]t.draw()

12、 spaCy

spaCy 是一个免费的开源库，用于 Python 中的高级 NLP。它可以用于构建处理大量文本的应用程序；也可以用来构建信息提取或自然语言理解系统，或者对文本进行预处理以进行深度学习。

  import spacy

  texts = [
      "Net income was $9.4 million compared to the prior year of $2.7 million.",
      "Revenue exceeded twelve billion dollars, with a loss of $1b.",
  ]

  nlp = spacy.load("en_core_web_sm")
  for doc in nlp.pipe(texts, disable=["tok2vec", "tagger", "parser", "attribute_ruler", "lemmatizer"]):
      # Do something with the doc here
      print([(ent.text, ent.label_) for ent in doc.ents])

nlp.pipe 生成 Doc 对象，因此我们可以对它们进行迭代并访问命名实体预测：

[('$9.4 million', 'MONEY'), ('the prior year', 'DATE'), ('$2.7 million', 'MONEY')][('twelve billion dollars', 'MONEY'), ('1b', 'MONEY')]

13、 LibROSA

librosa 是一个用于音乐和音频分析的 Python 库，它提供了创建音乐信息检索系统所必需的功能和函数。

# Beat tracking exampleimport librosa# 1. Get the file path to an included audio examplefilename = librosa.example('nutcracker')# 2. Load the audio as a waveform `y`#    Store the sampling rate as `sr`y, sr = librosa.load(filename)# 3. Run the default beat trackertempo, beat_frames = librosa.beat.beat_track(y=y, sr=sr)print('Estimated tempo: {:.2f} beats per minute'.format(tempo))# 4. Convert the frame indices of beat events into timestampsbeat_times = librosa.frames_to_time(beat_frames, sr=sr)

14、 Pengenalan kepada pembelajaran mesin yang biasa digunakan dan perpustakaan pembelajaran mendalam dalam python (perkongsian ringkasan)

Pengenalan kepada pembelajaran mesin yang biasa digunakan dan perpustakaan pembelajaran mendalam dalam python (perkongsian ringkasan) 是一个快速、强大、灵活且易于使用的开源数据分析和操作工具， Pengenalan kepada pembelajaran mesin yang biasa digunakan dan perpustakaan pembelajaran mendalam dalam python (perkongsian ringkasan) 可以从各种文件格式比如 CSV、JSON、SQL、Microsoft Excel 导入数据，可以对各种数据进行运算操作，比如归并、再成形、选择，还有数据清洗和数据加工特征。Pengenalan kepada pembelajaran mesin yang biasa digunakan dan perpustakaan pembelajaran mendalam dalam python (perkongsian ringkasan) 广泛应用在学术、金融、统计学等各个数据分析领域。

import matplotlib.pyplot as pltimport pandas as pdimport numpy as np

ts = pd.Series(np.random.randn(1000), index=pd.date_range("1/1/2000", periods=1000))ts = ts.cumsum()df = pd.DataFrame(np.random.randn(1000, 4), index=ts.index, columns=list("ABCD"))df = df.cumsum()df.plot()plt.show()

15、 Pengenalan kepada pembelajaran mesin yang biasa digunakan dan perpustakaan pembelajaran mendalam dalam python (perkongsian ringkasan)

Pengenalan kepada pembelajaran mesin yang biasa digunakan dan perpustakaan pembelajaran mendalam dalam python (perkongsian ringkasan) 是Python的绘图库，它提供了一整套和 matlab 相似的命令 API，可以生成出版质量级别的精美图形，Pengenalan kepada pembelajaran mesin yang biasa digunakan dan perpustakaan pembelajaran mendalam dalam python (perkongsian ringkasan) 使绘图变得非常简单，在易用性和性能间取得了优异的平衡。
使用 Pengenalan kepada pembelajaran mesin yang biasa digunakan dan perpustakaan pembelajaran mendalam dalam python (perkongsian ringkasan) 绘制多曲线图：

# plot_multi_curve.pyimport numpy as npimport matplotlib.pyplot as plt
x = np.linspace(0.1, 2 * np.pi, 100)y_1 = x
y_2 = np.square(x)y_3 = np.log(x)y_4 = np.sin(x)plt.plot(x,y_1)plt.plot(x,y_2)plt.plot(x,y_3)plt.plot(x,y_4)plt.show()

有关更多Pengenalan kepada pembelajaran mesin yang biasa digunakan dan perpustakaan pembelajaran mendalam dalam python (perkongsian ringkasan)绘图的介绍可以参考此前博文———Python-Pengenalan kepada pembelajaran mesin yang biasa digunakan dan perpustakaan pembelajaran mendalam dalam python (perkongsian ringkasan)可视化。

16、 Seaborn

Seaborn 是在 Pengenalan kepada pembelajaran mesin yang biasa digunakan dan perpustakaan pembelajaran mendalam dalam python (perkongsian ringkasan) 的基础上进行了更高级的API封装的Python数据可视化库，从而使得作图更加容易，应该把 Seaborn 视为 Pengenalan kepada pembelajaran mesin yang biasa digunakan dan perpustakaan pembelajaran mendalam dalam python (perkongsian ringkasan) 的补充，而不是替代物。

import Pengenalan kepada pembelajaran mesin yang biasa digunakan dan perpustakaan pembelajaran mendalam dalam python (perkongsian ringkasan) as snsimport matplotlib.pyplot as plt
sns.set_theme(style="ticks")df = sns.load_dataset("penguins")sns.pairplot(df, hue="species")plt.show()

17、 Pengenalan kepada pembelajaran mesin yang biasa digunakan dan perpustakaan pembelajaran mendalam dalam python (perkongsian ringkasan)

Pengenalan kepada pembelajaran mesin yang biasa digunakan dan perpustakaan pembelajaran mendalam dalam python (perkongsian ringkasan) 是一个开源的数据挖掘和机器学习软件，提供了一系列的数据探索、可视化、预处理以及建模组件。Pengenalan kepada pembelajaran mesin yang biasa digunakan dan perpustakaan pembelajaran mendalam dalam python (perkongsian ringkasan) 拥有漂亮直观的交互式用户界面，非常适合新手进行探索性数据分析和可视化展示；同时高级用户也可以将其作为 Python 的一个编程模块进行数据操作和组件开发。
使用 pip 即可安装 Pengenalan kepada pembelajaran mesin yang biasa digunakan dan perpustakaan pembelajaran mendalam dalam python (perkongsian ringkasan)，好评～

$ pip install orange3

安装完成后，在命令行输入 orange-canvas 命令即可启动 Pengenalan kepada pembelajaran mesin yang biasa digunakan dan perpustakaan pembelajaran mendalam dalam python (perkongsian ringkasan) 图形界面：

$ orange-canvas

启动完成后，即可看到 Pengenalan kepada pembelajaran mesin yang biasa digunakan dan perpustakaan pembelajaran mendalam dalam python (perkongsian ringkasan) 图形界面，进行各种操作。

18、 PyBrain

PyBrain 是 Python 的模块化机器学习库。它的目标是为机器学习任务和各种预定义的环境提供灵活、易于使用且强大的算法来测试和比较算法。PyBrain 是 Python-Based Reinforcement Learning, Artificial Intelligence and Neural Network Library 的缩写。
我们将利用一个简单的例子来展示 PyBrain 的用法，构建一个多层感知器 (Multi Layer Perceptron, MLP)。
首先，我们创建一个新的前馈网络对象：

from pybrain.structure import FeedForwardNetwork

n = FeedForwardNetwork()

接下来，构建输入、隐藏和输出层：

from pybrain.structure import LinearLayer, SigmoidLayer

inLayer = LinearLayer(2)hiddenLayer = SigmoidLayer(3)outLayer = LinearLayer(1)

为了使用所构建的层，必须将它们添加到网络中：

n.addInputModule(inLayer)n.addModule(hiddenLayer)n.addOutputModule(outLayer)

可以添加多个输入和输出模块。为了向前计算和反向误差传播，网络必须知道哪些层是输入、哪些层是输出。
这就需要明确确定它们应该如何连接。为此，我们使用最常见的连接类型，全连接层，由 FullConnection 类实现：

from pybrain.structure import FullConnection
in_to_hidden = FullConnection(inLayer, hiddenLayer)hidden_to_out = FullConnection(hiddenLayer, outLayer)

与层一样，我们必须明确地将它们添加到网络中：

n.addConnection(in_to_hidden)n.addConnection(hidden_to_out)

所有元素现在都已准备就位，最后，我们需要调用.sortModules()方法使MLP可用：

n.sortModules()

这个调用会执行一些内部初始化，这在使用网络之前是必要的。

19、 Milk

MILK(MACHINE LEARNING TOOLKIT) 是 Python 语言的机器学习工具包。它主要是包含许多分类器比如 SVMS、K-NN、随机森林以及决策树中使用监督分类法，它还可执行特征选择，可以形成不同的例如无监督学习、密切关系传播和由 MILK 支持的 K-means 聚类等分类系统。
使用 MILK 训练一个分类器：

import numpy as npimport milk
features = np.random.rand(100,10)labels = np.zeros(100)features[50:] += .5labels[50:] = 1learner = milk.defaultclassifier()model = learner.train(features, labels)# Now you can use the model on new examples:example = np.random.rand(10)print(model.apply(example))example2 = np.random.rand(10)example2 += .5print(model.apply(example2))

20、 TensorFlow

TensorFlow 是一个端到端开源机器学习平台。它拥有一个全面而灵活的生态系统，一般可以将其分为 TensorFlow1.x 和 TensorFlow2.x，TensorFlow1.x 与 TensorFlow2.x 的主要区别在于 TF1.x 使用静态图而 TF2.x 使用Eager Mode动态图。
这里主要使用TensorFlow2.x作为示例，展示在 TensorFlow2.x 中构建卷积神经网络 (Convolutional Neural Network, CNN)。

import tensorflow as tffrom tensorflow.keras import datasets, layers, models# 数据加载(train_images, train_labels), (test_images, test_labels) = datasets.cifar10.load_data()# 数据预处理train_images, test_images = train_images / 255.0, test_images / 255.0# 模型构建model = models.Sequential()model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(32, 32, 3)))model.add(layers.MaxPooling2D((2, 2)))model.add(layers.Conv2D(64, (3, 3), activation='relu'))model.add(layers.MaxPooling2D((2, 2)))model.add(layers.Conv2D(64, (3, 3), activation='relu'))model.add(layers.Flatten())model.add(layers.Dense(64, activation='relu'))model.add(layers.Dense(10))# 模型编译与训练model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])history = model.fit(train_images, train_labels, epochs=10, 
                    validation_data=(test_images, test_labels))

想要了解更多Tensorflow2.x的示例，可以参考专栏 Tensorflow.

21、 PyTorch

PyTorch 的前身是 Torch，其底层和 Torch 框架一样，但是使用 Python 重新写了很多内容，不仅更加灵活，支持动态图，而且提供了 Python 接口。

# 导入库import torchfrom torch import nnfrom torch.utils.data import DataLoaderfrom torchvision import datasetsfrom torchvision.transforms import ToTensor, Lambda, Composeimport matplotlib.pyplot as plt# 模型构建device = "cuda" if torch.cuda.is_available() else "cpu"print("Using {} device".format(device))# Define modelclass NeuralNetwork(nn.Module):
    def __init__(self):
        super(NeuralNetwork, self).__init__()
        self.flatten = nn.Flatten()
        self.linear_relu_stack = nn.Sequential(
            nn.Linear(28*28, 512),
            nn.ReLU(),
            nn.Linear(512, 512),
            nn.ReLU(),
            nn.Linear(512, 10),
            nn.ReLU()
        )

    def forward(self, x):
        x = self.flatten(x)
        logits = self.linear_relu_stack(x)
        return logits

model = NeuralNetwork().to(device)# 损失函数和优化器loss_fn = nn.CrossEntropyLoss()optimizer = torch.optim.SGD(model.parameters(), lr=1e-3)# 模型训练def train(dataloader, model, loss_fn, optimizer):
    size = len(dataloader.dataset)
    for batch, (X, y) in enumerate(dataloader):
        X, y = X.to(device), y.to(device)

        # Compute prediction error
        pred = model(X)
        loss = loss_fn(pred, y)

        # Backpropagation
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

        if batch % 100 == 0:
            loss, current = loss.item(), batch * len(X)
            print(f"loss: {loss:>7f}  [{current:>5d}/{size:>5d}]")

22、 Theano

Theano 是一个 Python 库，它允许定义、优化和有效地计算涉及多维数组的数学表达式，建在 NumPy 之上。
在 Theano 中实现计算雅可比矩阵：

import theanoimport theano.tensor as T
x = T.dvector('x')y = x ** 2J, updates = theano.scan(lambda i, y,x : T.grad(y[i], x), sequences=T.arange(y.shape[0]), non_sequences=[y,x])f = theano.function([x], J, updates=updates)f([4, 4])

23、 Keras

Keras 是一个用 Python 编写的高级神经网络 API，它能够以 TensorFlow, CNTK, 或者 Theano 作为后端运行。Keras 的开发重点是支持快速的实验，能够以最小的时延把想法转换为实验结果。

from keras.models import Sequentialfrom keras.layers import Dense# 模型构建model = Sequential()model.add(Dense(units=64, activation='relu', input_dim=100))model.add(Dense(units=10, activation='softmax'))# 模型编译与训练model.compile(loss='categorical_crossentropy',
              optimizer='sgd',
              metrics=['accuracy'])model.fit(x_train, y_train, epochs=5, batch_size=32)

24、 Caffe

在 Caffe2 官方网站上，这样说道：Caffe2 现在是 PyTorch 的一部分。虽然这些 api 将继续工作，但鼓励使用 PyTorch api。

25、 MXNet

MXNet 是一款设计为效率和灵活性的深度学习框架。它允许混合符号编程和命令式编程，从而最大限度提高效率和生产力。
使用 MXNet 构建手写数字识别模型：

import mxnet as mxfrom mxnet import gluonfrom mxnet.gluon import nnfrom mxnet import autograd as agimport mxnet.ndarray as F# 数据加载mnist = mx.test_utils.get_mnist()batch_size = 100train_data = mx.io.NDArrayIter(mnist['train_data'], mnist['train_label'], batch_size, shuffle=True)val_data = mx.io.NDArrayIter(mnist['test_data'], mnist['test_label'], batch_size)# CNN模型class Net(gluon.Block):
    def __init__(self, **kwargs):
        super(Net, self).__init__(**kwargs)
        self.conv1 = nn.Conv2D(20, kernel_size=(5,5))
        self.pool1 = nn.MaxPool2D(pool_size=(2,2), strides = (2,2))
        self.conv2 = nn.Conv2D(50, kernel_size=(5,5))
        self.pool2 = nn.MaxPool2D(pool_size=(2,2), strides = (2,2))
        self.fc1 = nn.Dense(500)
        self.fc2 = nn.Dense(10)

    def forward(self, x):
        x = self.pool1(F.tanh(self.conv1(x)))
        x = self.pool2(F.tanh(self.conv2(x)))
        # 0 means copy over size from corresponding dimension.
        # -1 means infer size from the rest of dimensions.
        x = x.reshape((0, -1))
        x = F.tanh(self.fc1(x))
        x = F.tanh(self.fc2(x))
        return x
net = Net()# 初始化与优化器定义# set the context on GPU is available otherwise CPUctx = [mx.gpu() if mx.test_utils.list_gpus() else mx.cpu()]net.initialize(mx.init.Xavier(magnitude=2.24), ctx=ctx)trainer = gluon.Trainer(net.collect_params(), 'sgd', {'learning_rate': 0.03})# 模型训练# Use Accuracy as the evaluation metric.metric = mx.metric.Accuracy()softmax_cross_entropy_loss = gluon.loss.SoftmaxCrossEntropyLoss()for i in range(epoch):
    # Reset the train data iterator.
    train_data.reset()
    for batch in train_data:
        data = gluon.utils.split_and_load(batch.data[0], ctx_list=ctx, batch_axis=0)
        label = gluon.utils.split_and_load(batch.label[0], ctx_list=ctx, batch_axis=0)
        outputs = []
        # Inside training scope
        with ag.record():
            for x, y in zip(data, label):
                z = net(x)
                # Computes softmax cross entropy loss.
                loss = softmax_cross_entropy_loss(z, y)
                # Backpropogate the error for one iteration.
                loss.backward()
                outputs.append(z)
        metric.update(label, outputs)
        trainer.step(batch.data[0].shape[0])
    # Gets the evaluation result.
    name, acc = metric.get()
    # Reset evaluation result to initial state.
    metric.reset()
    print('training acc at epoch %d: %s=%f'%(i, name, acc))

26、 PaddlePaddle

飞桨 (PaddlePaddle) 以百度多年的深度学习技术研究和业务应用为基础，集深度学习核心训练和推理框架、基础模型库、端到端开发套件、丰富的工具组件于一体。是中国首个自主研发、功能完备、开源开放的产业级深度学习平台。
使用 PaddlePaddle 实现 LeNtet5：

# 导入需要的包import paddleimport numpy as npfrom paddle.nn import Conv2D, MaxPool2D, Linear## 组网import paddle.nn.functional as F# 定义 LeNet 网络结构class LeNet(paddle.nn.Layer):
    def __init__(self, num_classes=1):
        super(LeNet, self).__init__()
        # 创建卷积和池化层
        # 创建第1个卷积层
        self.conv1 = Conv2D(in_channels=1, out_channels=6, kernel_size=5)
        self.max_pool1 = MaxPool2D(kernel_size=2, stride=2)
        # 尺寸的逻辑：池化层未改变通道数；当前通道数为6
        # 创建第2个卷积层
        self.conv2 = Conv2D(in_channels=6, out_channels=16, kernel_size=5)
        self.max_pool2 = MaxPool2D(kernel_size=2, stride=2)
        # 创建第3个卷积层
        self.conv3 = Conv2D(in_channels=16, out_channels=120, kernel_size=4)
        # 尺寸的逻辑：输入层将数据拉平[B,C,H,W] -> [B,C*H*W]
        # 输入size是[28,28]，经过三次卷积和两次池化之后，C*H*W等于120
        self.fc1 = Linear(in_features=120, out_features=64)
        # 创建全连接层，第一个全连接层的输出神经元个数为64， 第二个全连接层输出神经元个数为分类标签的类别数
        self.fc2 = Linear(in_features=64, out_features=num_classes)
    # 网络的前向计算过程
    def forward(self, x):
        x = self.conv1(x)
        # 每个卷积层使用Sigmoid激活函数，后面跟着一个2x2的池化
        x = F.sigmoid(x)
        x = self.max_pool1(x)
        x = F.sigmoid(x)
        x = self.conv2(x)
        x = self.max_pool2(x)
        x = self.conv3(x)
        # 尺寸的逻辑：输入层将数据拉平[B,C,H,W] -> [B,C*H*W]
        x = paddle.reshape(x, [x.shape[0], -1])
        x = self.fc1(x)
        x = F.sigmoid(x)
        x = self.fc2(x)
        return x

27、 CNTK

CNTK(Cognitive Toolkit) 是一个深度学习工具包，通过有向图将神经网络描述为一系列计算步骤。在这个有向图中，叶节点表示输入值或网络参数，而其他节点表示对其输入的矩阵运算。CNTK 可以轻松地实现和组合流行的模型类型，如 CNN 等。
CNTK 用网络描述语言 (network description language, NDL) 描述一个神经网络。 简单的说，要描述输入的 feature，输入的 label，一些参数，参数和输入之间的计算关系，以及目标节点是什么。

NDLNetworkBuilder=[
    
    run=ndlLR
    
    ndlLR=[
      # sample and label dimensions
      SDim=$dimension$
      LDim=1
    
      features=Input(SDim, 1)
      labels=Input(LDim, 1)
    
      # parameters to learn
      B0 = Parameter(4) 
      W0 = Parameter(4, SDim)
      
      
      B = Parameter(LDim)
      W = Parameter(LDim, 4)
    
      # operations
      t0 = Times(W0, features)
      z0 = Plus(t0, B0)
      s0 = Sigmoid(z0)   
      
      t = Times(W, s0)
      z = Plus(t, B)
      s = Sigmoid(z)    
    
      LR = Logistic(labels, s)
      EP = SquareError(labels, s)
    
      # root nodes
      FeatureNodes=(features)
      LabelNodes=(labels)
      CriteriaNodes=(LR)
      EvalNodes=(EP)
      OutputNodes=(s,t,z,s0,W0)
    ]   
  ]

总结与分类

python 常用机器学习及深度学习库总结

库名	官方网站	简介
NumPy	http://www.numpy.org/	提供对大型多维阵列的支持，NumPy是计算机视觉中的一个关键库，因为图像可以表示为多维数组，将图像表示为NumPy数组有许多优点
Pengenalan kepada pembelajaran mesin yang biasa digunakan dan perpustakaan pembelajaran mendalam dalam python (perkongsian ringkasan)	https://opencv.org/	开源的计算机视觉库
Pengenalan kepada pembelajaran mesin yang biasa digunakan dan perpustakaan pembelajaran mendalam dalam python (perkongsian ringkasan)	https:// scikit-image.org/	图像处理算法的集合,由scikit-image操作的图像只能是NumPy数组
Python Imaging Library(PIL)	http://www.pythonware.com/products/pil/	图像处理库，提供强大的图像处理和图形功能
Pillow	https://pillow.readthedocs.io/	PIL的一个分支
SimpleCV	http://simplecv.org/	计算机视觉框架，提供了处理图像处理的关键功能
Pengenalan kepada pembelajaran mesin yang biasa digunakan dan perpustakaan pembelajaran mendalam dalam python (perkongsian ringkasan)	https://mahotas.readthedocs.io/	提供了用于图像处理和计算机视觉的一组函数，它最初是为生物图像信息学而设计的；但是，现在它在其他领域也发挥了重要作用，它完全基于numpy数组作为其数据类型
Ilastik	http://ilastik.org/	用户友好且简单的交互式图像分割、分类和分析工具
Scikit-learn	http://scikit-learn.org/	机器学习库，具有各种分类、回归和聚类算法
Pengenalan kepada pembelajaran mesin yang biasa digunakan dan perpustakaan pembelajaran mendalam dalam python (perkongsian ringkasan)	https://www.scipy.org/	科学和技术计算库
Pengenalan kepada pembelajaran mesin yang biasa digunakan dan perpustakaan pembelajaran mendalam dalam python (perkongsian ringkasan)	https://www.nltk.org/	处理自然语言数据的库和程序
spaCy	https://spacy.io/	开源软件库，用于Python中的高级自然语言处理
LibROSA	https://librosa.github.io/librosa/	用于音乐和音频处理的库
Pengenalan kepada pembelajaran mesin yang biasa digunakan dan perpustakaan pembelajaran mendalam dalam python (perkongsian ringkasan)	https://pandas.pydata.org/	构建在NumPy之上的库，提供高级数据计算工具和易于使用的数据结构
Pengenalan kepada pembelajaran mesin yang biasa digunakan dan perpustakaan pembelajaran mendalam dalam python (perkongsian ringkasan)	https://matplotlib.org	绘图库，它提供了一整套和 matlab 相似的命令 API，可以生成所需的出版质量级别的图形
Seaborn	https://Pengenalan kepada pembelajaran mesin yang biasa digunakan dan perpustakaan pembelajaran mendalam dalam python (perkongsian ringkasan).pydata.org/	是建立在Pengenalan kepada pembelajaran mesin yang biasa digunakan dan perpustakaan pembelajaran mendalam dalam python (perkongsian ringkasan)之上的绘图库
Pengenalan kepada pembelajaran mesin yang biasa digunakan dan perpustakaan pembelajaran mendalam dalam python (perkongsian ringkasan)	https://orange.biolab.si/	面向新手和专家的开源机器学习和数据可视化工具包
PyBrain	http://pybrain.org/	机器学习库，为机器学习提供易于使用的最新算法
Milk	http://luispedro.org/software/milk/	机器学习工具箱，主要用于监督学习中的多分类问题
TensorFlow	https://www.tensorflow.org/	开源的机器学习和深度学习库
PyTorch	https://pytorch.org/	开源的机器学习和深度学习库
Theano	http://deeplearning.net/software/theano/	用于快速数学表达式、求值和计算的库，已编译为可在CPU和GPU架构上运行
Keras	https://keras.io/	高级深度学习库，可以在 TensorFlow、CNTK、Theano 或 Microsoft Cognitive Toolkit 之上运行
Caffe2	https://caffe2.ai/	Caffe2 是一个兼具表现力、速度和模块性的深度学习框架，是 Caffe 的实验性重构，能以更灵活的方式组织计算
MXNet	https://mxnet.apache.org/	设计为效率和灵活性的深度学习框架，允许混合符号编程和命令式编程
PaddlePaddle	https://www.paddlepaddle.org.cn	以百度多年的深度学习技术研究和业务应用为基础，集深度学习核心训练和推理框架、基础模型库、端到端开发套件、丰富的工具组件于一体
CNTK	https://cntk.ai/	深度学习工具包，通过有向图将神经网络描述为一系列计算步骤。在这个有向图中，叶节点表示输入值或网络参数，而其他节点表示对其输入的矩阵运算

Klasifikasi

Perpustakaan ini boleh dikelaskan mengikut kegunaan utamanya:

类别	库
图像处理	NumPy、Pengenalan kepada pembelajaran mesin yang biasa digunakan dan perpustakaan pembelajaran mendalam dalam python (perkongsian ringkasan)、scikit image、PIL、Pillow、SimpleCV、Pengenalan kepada pembelajaran mesin yang biasa digunakan dan perpustakaan pembelajaran mendalam dalam python (perkongsian ringkasan)、ilastik
文本处理	Pengenalan kepada pembelajaran mesin yang biasa digunakan dan perpustakaan pembelajaran mendalam dalam python (perkongsian ringkasan)、spaCy、NumPy、scikit learn、PyTorch
音频处理	LibROSA
机器学习	pandas, scikit-learn, Pengenalan kepada pembelajaran mesin yang biasa digunakan dan perpustakaan pembelajaran mendalam dalam python (perkongsian ringkasan), PyBrain, Milk
数据查看	Pengenalan kepada pembelajaran mesin yang biasa digunakan dan perpustakaan pembelajaran mendalam dalam python (perkongsian ringkasan)、Seaborn、scikit-learn、Pengenalan kepada pembelajaran mesin yang biasa digunakan dan perpustakaan pembelajaran mendalam dalam python (perkongsian ringkasan)
深度学习	TensorFlow、Pytorch、Theano、Keras、Caffe2、MXNet、PaddlePaddle、CNTK
科学计算	Pengenalan kepada pembelajaran mesin yang biasa digunakan dan perpustakaan pembelajaran mendalam dalam python (perkongsian ringkasan)

Pembelajaran yang disyorkan: tutorial video python

Atas ialah kandungan terperinci Pengenalan kepada pembelajaran mesin yang biasa digunakan dan perpustakaan pembelajaran mendalam dalam python (perkongsian ringkasan). Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!