导言
Python是最流行和广泛使用的编程语言之一，已经取代了业界的许多编程语言。以下是Python流行的几个重要原因：
Python有大量的库。
Python因其简单易懂而被称为初学者级编程语言。
从开发到部署和维护，Python希望他们的开发人员更有效率。
可移植性是Python大受欢迎的另一个原因。
Python的编程语法简单易学，与C、Java和C+相比具有很高的水平。
因此，可以通过编写较少的代码行来开发新的应用程序。
Python的简单性吸引了许多开发人员创建新的机器学习库。由于大量的库，Python在机器学习专家中变得非常受欢迎。
1、TensorFlow
什么是TensorFlow？
如果您目前正在使用Python进行机器学习项目，那么您可能已经听说过这个名为TensorFlow的流行开源库。
这个库是由谷歌与大脑团队合作开发的。TensorFlow几乎被用于每一个用于机器学习的Google应用程序。
TensorFlow像一个计算库，用于编写涉及大量张量运算的新算法，因为神经网络可以很容易地表示为计算图，因此可以使用TensorFlow作为张量的一系列操作来实现。另外，张量是表示数据的N维矩阵.
TensorFlow的特征
TensorFlow是针对速度进行优化的，它利用诸如XLA这样的技术进行快速线性代数运算。
1.响应构造
使用TensorFlow，我们可以很容易地可视化图形的每个部分，这不是一个选项，而使用Numpy或科学工具包 .
2.柔韧
TensorFlow的一个非常重要的特点是它在可操作性上是灵活的，这意味着它具有模块化以及您想要使其独立的部分，它为您提供了该选项。
3.容易训练
它可以轻松地在cpu上进行训练，也可以在cpu上进行训练。GPU用于分布式计算。
4.并行神经网络训练
TensorFlow提供流水线，您可以训练多个神经网络以及多个GPU，这使得模型在大型系统上非常有效。
5.大社区
不用说，如果它是由谷歌开发的，那么已经有一支庞大的软件工程师团队在不断改进稳定性。
6.开源
这个机器学习库的最佳之处在于它是开源的，所以只要有互联网连接，任何人都可以使用它。
TensorFlow在哪里使用？
你每天都在使用TensorFlow，但是间接地使用像GoogleVoiceSearch或GooglePhotos这样的应用程序。这些应用程序是使用这个库开发的。
在TensorFlow中创建的所有库都是用C和C+编写的。然而，对于Python来说，它有一个复杂的前端。Python代码将被编译，然后在使用C和C+构建的TensorFlow分布式执行引擎上执行。
TensorFlow的应用数量实际上是无限的，这就是TensorFlow的美丽之处。
2、Scikit-学习
什么是科学-学习？
它是一个Python库，与NumPy和SciPy相关联。 它被认为是处理复杂数据的最佳库之一。
这个库正在做许多修改。一个修改是交叉验证功能，它提供了使用多个度量的能力。许多培训方法，如物流回归和最近的邻居得到了一些小的改进。
科学学习的特点
1.交叉验证：有多种方法来检查对未见数据的监督模型的准确性。
2.无监督学习算法：从聚类、因子分析、主成分分析到无监督神经网络，无监督学习算法又有了很大的扩展。
3.特征提取：用于从图像和文本(例如，单词袋)中提取特征。
在哪里使用了Scikit-学习？
它包含了许多用于实现标准机器学习和数据挖掘任务的算法，如降维、分类、回归、聚类和模型选择。
3、Numpy
什么是Numpy？
Numpy被认为是Python中最流行的机器学习库之一。
TensorFlow和其他库在内部使用Numpy对张量执行多个操作。数组接口是Numpy的最佳和最重要的特性。
Numpy的特点
互动：Numpy具有很强的交互性和易用性。
数学：使复杂的数学实现非常简单。
直觉：使编码真正容易，掌握概念是容易的。
大量互动：广泛使用，因此有很多开源贡献。
Numpy在哪里使用？
此接口可用于将图像、声波和其他二进制原始流表示为N维中的实数数组。
要实现这个机器学习库，了解Numpy对于整个堆栈开发人员来说是非常重要的。
4、喀拉斯Keras
凯拉斯是什么？
Keras被认为是Python中最酷的机器学习库之一。它提供了一种更容易表达神经网络的机制。Keras还为编译模型、处理数据集、图形可视化等提供了一些最好的实用工具。
在后端，Keras在内部使用Theano或TensorFlow。一些最流行的神经网络，如CNTK也可以使用。当我们将它与其他机器学习库进行比较时，Keras是比较慢的。因为它通过使用后端基础结构来创建计算图，然后利用它来执行操作。Keras中的所有模型都是可移植的。
Keras的特征
它在CPU和GPU上运行都很平稳。
Keras支持几乎所有的神经网络模型-完全连接，卷积，池，递归，嵌入等。此外，这些模型可以结合起来建立更复杂的模型。
Keras在本质上是模块化的，具有令人难以置信的表现力、灵活性，并且适合于创新研究。
Keras是一个完全基于Python的框架，它使调试和探索变得非常容易。
在哪里使用Keras？
您已经在不断地与Keras构建的功能进行交互-它在Netflix、Uber、Yelp、Inascart、ZocDoc、Square和许多其他地方都有使用。在那些把深度学习作为产品核心的初创企业中，它尤其受欢迎。
Keras包含了许多常用的神经网络构建块的实现，例如层、目标、激活函数、优化器和一系列工具，使处理图像和文本数据更容易。
此外，它还提供了许多预处理数据集和预先训练的模型，如MNIST、VGG、Inception、SqueezeNet、ResNet等。
Keras也是深层次研究人员的最爱，排在第二位。Keras也已被大型科学组织的研究人员采用，包括在Partic、ular CERN和NASA。
5、皮托尔奇
什么是PyTorch？
PyTorch是最大的机器学习库，它允许开发人员执行GPU的张量计算和加速，创建动态计算图，并自动计算梯度。除此之外，PyTorch还提供了丰富的API来解决与神经网络相关的应用问题。
这个机器学习库基于Torch，它是一个用C实现的开源机器库，在Lua中有一个包装器。
Python中的这个机器库是在2017年引入的，自从它成立以来，这个库越来越受欢迎，吸引了越来越多的机器学习开发人员。
PyTorch的特征
混合前端
在C+运行时环境中，一种新的混合前端提供了易用性和灵活性，同时无缝地过渡到图形模式以实现速度、优化和功能。
分布式训练
通过利用Python和C+可以访问的集体操作异步执行和对等通信的本地支持，优化研究和生产中的性能。
Python第一
PyTorch不是Python绑定到单块C+框架中。它是为深入集成Python而构建的，因此它可以与流行的库和包(如Cython和Numba)一起使用。
库和工具
一个活跃的研究人员和开发人员社区已经建立了一个丰富的工具和库生态系统，用于扩展PyTorch并支持从计算机视觉到强化学习等领域的开发。
在哪里使用了PyTorch？
PyTorch主要用于应用程序，如自然语言处理。
它主要是由facebook的人工智能研究小组开发的，Uber的“Pyro”概率编程软件就是在此基础上开发的。
PyTorch在多方面的表现超过了TensorFlow，并且在最近几天得到了很多关注。
你可以看看这个 PyTorch或TensorFlow 博客，看看哪个对你更好。
6、轻型GBM
什么是LightGBM？
梯度增强是机器学习的最好和最流行的库之一，它通过使用重新定义的初等模型和决策树来帮助开发人员建立新的算法。因此，为了快速、高效地实现该方法，设计了专门的库。
这些库是LightGBM、XGBoost和CatBoost。所有这些库都是帮助解决常见问题的竞争者，并且可以几乎类似的方式使用。
轻型GBM的特点
计算速度快，生产效率高。
直观，因此使它的用户友好。
比许多其他深度学习图书馆更快的训练。
在考虑NaN值和其他规范值时不会产生错误。
轻型GBM在哪里使用？
这些库提供了高度可伸缩、优化和快速的梯度增强实现，这使得它在机器学习开发人员中很受欢迎。因为大多数机器学习全堆栈开发人员通过使用这些算法赢得了机器学习竞赛。
7、ELI5
ELI 5是什么？
机器学习模型预测的结果往往不准确，而用Python构建的ELI 5机器学习库有助于克服这一挑战。它是可视化和调试所有机器学习模型和跟踪算法的所有工作步骤的结合。
ELI 5的特点
此外，ELI 5还支持WOREL库(XGBoost)、闪电库、Scikit-Learning库和skLearning-crf套装库。所有上述库都可以使用每个库来执行不同的任务。
ELI 5在哪里使用？
数学应用，需要在短时间内进行大量的计算。
在与其他Python包存在依赖关系的情况下，ELI 5起着至关重要的作用。
遗留应用程序和在各个领域实现较新的方法。
8、SciPy-希皮
什么是SciPy？
SciPy是一个面向应用程序开发人员和工程师的机器学习库。但是，您仍然需要了解SciPy库和SciPy堆栈之间的区别。SciPy库包含用于优化、线性代数、集成和统计的模块。
SciPy的特征
SciPy库的主要特点是它是用NumPy开发的，它的数组最大限度地利用了NumPy。
此外，SciPy还提供了所有高效的数值例程，如优化、数值集成和许多其他使用其特定子模块的数值例程。
SciPy所有子模块中的所有功能都有详细的文档说明。
SciPy在哪里使用？
SciPy是一个将NumPy用于求解数学函数的库。SciPy使用NumPy数组作为基本数据结构，并附带用于科学编程中各种常用任务的模块。
包括线性代数、积分(微积分)、常微分方程求解和信号处理在内的任务由SciPy很容易处理。
9、Theano-西亚诺
西亚诺是什么？
Theano是Python中用于计算多维数组的计算框架机器学习库。Theano的作品类似于TensorFlow，但它的效率不如TensorFlow。因为它无法适应生产环境。
此外，Theano还可以用于类似TensorFlow的分布式或并行环境。
提亚诺的特征
与NumPy的紧密集成-在Theano编译函数中使用完全NumPy数组的能力。
GPU的透明使用-比在CPU上执行数据密集型计算快得多。
有效符号微分-Theano用一个或多个输入来做函数的导数。
速度和稳定性优化-得到正确的答案log(1+x)即使当x非常小。这只是展示Theano稳定性的例子之一。
动态C代码生成-比以往任何时候都更快地评估表达式，从而大大提高效率。
广泛的单元测试和自我验证-检测和诊断模型中的多种类型的错误和模糊。
西亚诺在哪用的？
Theano表达式的实际语法是象征性的，对于习惯于正常软件开发的初学者来说，这是不合适的。具体来说，表达式是在抽象意义上定义的，编译后实际用于计算。
它专门设计用于处理深度学习中使用的大型神经网络算法所需的计算类型。它是最早的同类图书馆之一(开发始于2007年)，被认为是深度学习研究和开发的行业标准。
Theano目前正在多个神经网络项目中使用，而Theano的受欢迎程度只是随着时间的推移而增长。
10、Pandas-熊猫
潘达斯是什么？
熊猫是Python中的机器学习库，它提供高层次的数据结构和各种各样的分析工具。这个库最大的特点之一是能够使用一两条命令来转换带有数据的复杂操作。熊猫有许多内置的方法来分组、合并数据、过滤，以及时间序列功能。
所有这些都有出色的速度指标。
熊猫的特征
熊猫要确保整个操作数据的过程更加容易。对操作的支持，如重新索引、迭代、排序、集合、连接和可视化，都是Pandas的功能亮点。
潘达斯在哪里使用？
目前，熊猫库的版本较少，其中包括100个新特性、bug修复、增强和API中的更改。熊猫的改进在于它能够对数据进行分组和排序，为应用方法选择最适合的输出，并为执行自定义类型操作提供支持。
当涉及到Pandas的使用时，数据分析在其他方面占据了突出的位置。但是，当与其他库和工具一起使用时，Pandas确保了很高的功能和良好的灵活性。
结语
我希望这个十大Python库博客能够帮助您开始学习Python中可用的库。