引言毫無疑問，神經(jīng)網(wǎng)絡(luò)和機(jī)器學(xué)習(xí)在過去幾年一直是高科技領(lǐng)域最熱門的話題之一。這一點(diǎn)很容易看出，因?yàn)樗鼈兘鉀Q了很多真正有趣的用例，如語音識(shí)別、圖像識(shí)別、甚至是樂曲譜寫。因此，在這篇文章，我決定編制一份囊括一些很好的Python機(jī)器學(xué)習(xí)庫的清單，并將其張貼在下面。 在我看來，Python是學(xué)習(xí)（和實(shí)現(xiàn)）機(jī)器學(xué)習(xí)技術(shù)最好的語言之一，其原因主要有以下幾點(diǎn)：
上面最后一點(diǎn)可以說是最重要的。驅(qū)動(dòng)機(jī)器學(xué)習(xí)的算法相當(dāng)復(fù)雜，包括了很多的數(shù)學(xué)知識(shí)，所以自己動(dòng)手去實(shí)現(xiàn)它們（并保證其正常運(yùn)行）將會(huì)是一件很困難的任務(wù)。幸運(yùn)地是，有很多聰明的、有奉獻(xiàn)精神的人為我們做了這個(gè)困難的工作，因此我們只需要專注于手邊的應(yīng)用程序即可。 這并不是一個(gè)詳盡無遺的清單。有很多代碼并未在此列出，在這里我只會(huì)發(fā)布一些非常相關(guān)或知名的庫。下面，來看看這份清單吧。 最受歡迎的庫我已經(jīng)對(duì)一些比較流行的庫和它們擅長的方向做了一個(gè)簡短的描述，在下一節(jié)，我會(huì)給出一個(gè)更完整的項(xiàng)目列表。 Tensorflow 這是清單中最新的神經(jīng)網(wǎng)絡(luò)庫。在前幾天剛剛發(fā)行，Tensorflow是高級(jí)神經(jīng)網(wǎng)絡(luò)庫，可以幫助你設(shè)計(jì)你的網(wǎng)絡(luò)架構(gòu)，避免出現(xiàn)低水平的細(xì)節(jié)錯(cuò)誤。重點(diǎn)是允許你將計(jì)算表示成數(shù)據(jù)流圖，它更適合于解決復(fù)雜問題。 此庫主要使用C++編寫，包括Python綁定，所以你不必?fù)?dān)心其性能問題。我最喜歡的一個(gè)特點(diǎn)是它靈活的體系結(jié)構(gòu)，允許你使用相同的API將其部署到一個(gè)或多個(gè)CPU或GPU的臺(tái)式機(jī)、服務(wù)器或者移動(dòng)設(shè)備。有此功能的庫并不多，如果要說有，Tensorflow就是其一。 它是為谷歌大腦項(xiàng)目開發(fā)的，目前已被數(shù)百名工程師使用，所以無須懷疑它是否能夠創(chuàng)造有趣的解決方案。 盡管和其它的庫一樣，你可能必須花一些時(shí)間來學(xué)習(xí)它的API，但花掉的時(shí)間應(yīng)該是很值得的。我只花了幾分鐘了解了一下它的核心功能，就已經(jīng)知道Tensorflow值得我花更多的時(shí)間讓我來實(shí)現(xiàn)我的網(wǎng)絡(luò)設(shè)計(jì)，而不僅僅是通過API來使用。
scikit-learn scikit-learn絕對(duì)是其中一個(gè)，如果不是最流行的，那么也算得上是所有語言中流行的機(jī)器學(xué)習(xí)庫之一。它擁有大量的數(shù)據(jù)挖掘和數(shù)據(jù)分析功能，使其成為研究人員和開發(fā)者的首選庫。 其內(nèi)置了流行的NumPy、SciPy，matplotlib庫，因此對(duì)許多已經(jīng)使用這些庫的人來說就有一種熟悉的感覺。盡管與下面列出的其他庫相比，這個(gè)庫顯得水平層次略低，并傾向于作為許多其他機(jī)器學(xué)習(xí)實(shí)現(xiàn)的基礎(chǔ)。
Theano Theano是一個(gè)機(jī)器學(xué)習(xí)庫，允許你定義、優(yōu)化和評(píng)估涉及多維數(shù)組的數(shù)學(xué)表達(dá)式，這可能是其它庫開發(fā)商的一個(gè)挫折點(diǎn)。與scikit-learn一樣，Theano也很好地整合了NumPy庫。GPU的透明使用使得Theano可以快速并且無錯(cuò)地設(shè)置，這對(duì)于那些初學(xué)者來說非常重要。然而有些人更多的是把它描述成一個(gè)研究工具，而不是當(dāng)作產(chǎn)品來使用，因此要按需使用。 Theano最好的功能之一是擁有優(yōu)秀的參考文檔和大量的教程。事實(shí)上，多虧了此庫的流行程度，使你在尋找資源的時(shí)候不會(huì)遇到太多的麻煩，比如如何得到你的模型以及運(yùn)行等。
Pylearn2 大多數(shù)Pylearn2的功能實(shí)際上都是建立在Theano之上，所以它有一個(gè)非常堅(jiān)實(shí)的基礎(chǔ)。 據(jù)Pylearn2網(wǎng)址介紹： Pylearn2不同于scikit-learn，Pylearn2旨在提供極大的靈活性，使研究者幾乎可以做任何想做的事情，而scikit-learn的目的是作為一個(gè)“黑盒”來工作，即使用戶不了解實(shí)現(xiàn)也能產(chǎn)生很好的結(jié)果。 記住，Pylearn2在合適的時(shí)候會(huì)封裝其它的庫，如scikit-learn，所以在這里你不會(huì)得到100%用戶編寫的代碼。然而，這確實(shí)很好，因?yàn)榇蠖鄶?shù)錯(cuò)誤已經(jīng)被解決了。像Pylearn2這樣的封裝庫在此列表中有很重要的地位。
Pyevolve 神經(jīng)網(wǎng)絡(luò)研究更讓人興奮和不同的領(lǐng)域之一是遺傳算法。從根本上說，遺傳算法只是一個(gè)模擬自然選擇的啟發(fā)式搜索過程。本質(zhì)上它是在一些數(shù)據(jù)上測試神經(jīng)網(wǎng)絡(luò)，并從一個(gè)擬合函數(shù)中得到網(wǎng)絡(luò)性能的反饋。然后對(duì)網(wǎng)絡(luò)迭代地做小的、隨機(jī)的變化，再使用相同的數(shù)據(jù)進(jìn)行測試。將具有高度擬合分?jǐn)?shù)的網(wǎng)絡(luò)作為輸出，然后使其作為下一個(gè)網(wǎng)絡(luò)的父節(jié)點(diǎn)。 Pyevolve提供了一個(gè)用于建立和執(zhí)行這類算法很棒的框架。作者曾表示，V0.6版本也支持遺傳編程，所以在不久的將來，該框架將更傾向于作為一個(gè)進(jìn)化的計(jì)算框架，而不只是簡單地遺傳算法框架。
NuPIC Nupic是另一個(gè)庫，與標(biāo)準(zhǔn)的機(jī)器學(xué)習(xí)算法相比，它提供了一些不同的功能。它基于一個(gè)稱作層次時(shí)間記憶（HTM）的新皮層理論，。HTMs可以看作是一類神經(jīng)網(wǎng)絡(luò)，但在一些理論上有所不同。 從根本上說，HTMs是一個(gè)分層的、基于時(shí)間的記憶系統(tǒng)，可以接受各種數(shù)據(jù)。這意味著會(huì)成為一個(gè)新的計(jì)算框架，來模仿我們大腦中的記憶和計(jì)算是如何密不可分的。
Pattern 此庫更像是一個(gè)“全套”庫，因?yàn)樗粌H提供了一些機(jī)器學(xué)習(xí)算法，而且還提供了工具來幫助你收集和分析數(shù)據(jù)。數(shù)據(jù)挖掘部分可以幫助你收集來自谷歌、推特和維基百科等網(wǎng)絡(luò)服務(wù)的數(shù)據(jù)。它也有一個(gè)Web爬蟲和HTML DOM解析器。“引入這些工具的優(yōu)點(diǎn)就是：在同一個(gè)程序中收集和訓(xùn)練數(shù)據(jù)顯得更加容易。 在文檔中有個(gè)很好的例子，使用一堆推文來訓(xùn)練一個(gè)分類器，用來區(qū)分一個(gè)推文是“win”還是“fail”。 from pattern.web import Twitter
from pattern.en import tag
from pattern.vector import KNN, count
twitter, knn = Twitter(), KNN()
for i in range(1, 3):
for tweet in twitter.search('#win OR #fail', start=i, count=100):
s = tweet.text.lower()
p = '#win' in s and 'WIN' or 'FAIL'
v = tag(s)
v = [word for word, pos in v if pos == 'JJ'] # JJ = adjective
v = count(v) # {'sweet': 1}
if v:
knn.train(v, type=p)
print knn.classify('sweet potato burger')
print knn.classify('stupid autocorrect') 首先使用twitter.search()通過標(biāo)簽'#win'和'#fail'來收集推文數(shù)據(jù)。然后利用從推文中提取的形容詞來訓(xùn)練一個(gè)K-近鄰（KNN）模型。經(jīng)過足夠的訓(xùn)練，你會(huì)得到一個(gè)分類器。僅僅只需15行代碼，還不錯(cuò)。
Caffe Caffe是面向視覺應(yīng)用領(lǐng)域的機(jī)器學(xué)習(xí)庫。你可能會(huì)用它來創(chuàng)建深度神經(jīng)網(wǎng)絡(luò)，識(shí)別圖像中的實(shí)體，甚至可以識(shí)別一個(gè)視覺樣式。 Caffe提供GPU訓(xùn)練的無縫集成，當(dāng)你訓(xùn)練圖像時(shí)極力推薦使用此庫。雖然Caffe似乎主要是面向?qū)W術(shù)和研究的，但它對(duì)用于生產(chǎn)使用的訓(xùn)練模型同樣有足夠多的用途。
其它知名庫 這里還列出了一些其它面向Python的機(jī)器學(xué)習(xí)庫。其中一些庫與上述庫有著相同的功能，而另一些則有更窄小的目標(biāo)或是更適合當(dāng)作學(xué)習(xí)工具來使用。 包括：Nilearn、Statsmodels、PyBrain (inactive)、Fuel、Bob、skdata、MILK、IEPY、Quepy、Hebel、mlxtend、nolearn、Ramp、Feature Forge、REP、Python-ELM、PythonXY、XCS、PyML、MLPY (inactive)、Orange、Monte、PYMVPA、MDP (inactive)等。點(diǎn)擊閱讀原文可查看更多機(jī)器學(xué)習(xí)庫及其Github地址。 原文：The Best Machine Learning Libraries In Python（譯者/劉帝偉 審校/劉翔宇 責(zé)編/仲浩） 譯者簡介： 劉帝偉，中南大學(xué)軟件學(xué)院在讀研究生，關(guān)注機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘及生物信息領(lǐng)域。 |
|
|
