Python繼續引領機器學習，人工智能，深度學習和數據科學任務。據海外研究機構稱，45％的技術公司更喜歡使用Python來實現AI和機器學習。
當然，這些列表完全是主觀的，因為許多庫可以輕松地放在多個類別中。例如，TensorFlow包含在此列表中，但Keras已被省略，而機器學習庫集合中的功能則被替換。這是因為Keras更像是像SKLearn這樣的“最終用戶”庫，而不是TensorFlow，后者更吸引研究人員和機器學習工程師類型。
圖1：前三名Python深度學習庫，由提交者和貢獻者提供。圓的大小與星的數量成正比。
1.TensorFlow（貢獻者-1700，提交-42256，獲得星星-112591）
TensorFlow是一個使用數據流圖進行數值計算的開源軟件庫。圖形節點表示數學運算，而圖形邊緣表示在它們之間流動的多維數據陣列（張量）。這種靈活的體系結構使您可以將計算部署到桌面，服務器或移動設備中的一個或多個CPU或GPU，而無需重寫代碼。
說到TensorFlow，前不久谷歌發布了一個TensorFlow.js的工具，有了這項工具，用戶可以利用AIY Projects 旗下的兩款AIY硬件產品——AIY Vision Kit和Voice Kit，DIY自己的人工智能小玩意。即使不是機器視覺領域的專家，大家也可以實現很多應用場景，比如在瀏覽器中訓練自己的寵物臉辨識系統，在自家的監視系統中使用等等。
2.PyTorch（貢獻者-806，提交-14022，獲得星星-20243）
PyTorch是一個Python包，提供兩個高級功能：
具有強大的GPU加速度的張量計算（如NumPy）
基于磁帶的自動編程系統構建的深度神經網絡
您可以重用您喜歡的Python軟件包，如NumPy，SciPy和Cython，以便在需要時擴展PyTorch。
3.Apache MXNet（貢獻者-628，提交-8723，獲得星星-15447）
Apache MXNet（孵化）是一個深度學習框架，旨在提高效率和靈活性。它允許您混合符號和命令式編程，以最大限度地提高效率和生產力。MXNet的核心是一個動態依賴調度程序，可以動態地自動并行化符號和命令操作。
4.Theano（貢獻者-329，提交-28033，獲得星星-8536）
Theano是一個Python庫，允許您有效地定義，優化和評估涉及多維數組的數學表達式。它可以使用GPU并實現有效的符號區分。
5.Caffe（貢獻者-270，提交-4152，獲得星星-25927）
Caffe是一個深度學習框架，以表達，速度和模塊化為基礎。它由伯克利人工智能研究（BAIR）/伯克利視覺與學習中心（BVLC）和社區貢獻者開發。
6.fast.ai（貢獻者-226，提交-2237，獲得星星-8872）
fast.ai庫使用現代最佳實踐簡化了快速準確的神經網絡訓練。該圖書館基于對fast.ai進行的深度學習最佳實踐的研究，包括對視覺，文本，表格和協作（協作過濾）模型的“開箱即用”支持。
7.CNTK（貢獻者-189，提交-15979，獲得星星-15281）
Microsoft認知工具包它是一個統一的深度學習工具包，它通過有向圖將神經網絡描述為一系列計算步驟。在該有向圖中，葉節點表示輸入值或網絡參數，而其他節點表示其輸入上的矩陣運算。CNTK允許用戶輕松實現和組合流行的模型類型，如前饋DNN，卷積網絡（CNN）和循環網絡（RNN/LSTM）。
8.TFLearn（貢獻者-118，提交-599，獲得星星-8632）
TFlearn是一個基于Tensorflow構建的模塊化透明深度學習庫。它旨在為TensorFlow提供更高級別的API，以促進和加速實驗，同時保持完全透明并與之兼容。
9.Lasagne（貢獻者-64，提交-1157，獲得星星-3534）
Lasagne是一個輕量級的庫，用于在Theano中構建和訓練神經網絡。它支持前饋網絡，如卷積神經網絡（CNN），包括長短期記憶（LSTM）的循環網絡及其任何組合。
10.nolearn（貢獻者-14，提交-389，獲得星星-909）
nolearn包含許多圍繞現有神經網絡庫的包裝和抽象，最著名的是Lasagne，以及一些機器學習實用程序模塊。編寫所有代碼以與scikit-learn兼容。
11.Elephas（貢獻者-13，提交者-249，獲得星星-1046）
Elephas是Keras的擴展，它允許您使用Spark大規模運行分布式深度學習模型。Elephas目前支持許多應用程序，包括：
深度學習模型的數據并行訓練
分布式超參數優化
集成模型的分布式訓練
12.ApacheSpark（貢獻者-12，提交-83，獲得星星-1131）
DeepLearningPipelines使用ApacheSpark為Python中的可擴展深度學習提供高級API。該庫來自Databricks，并利用Spark的兩個最強大的方面：
本著Spark和SparkMLlib的精神，它提供了易于使用的API，可以在極少數代碼行中實現深度學習。
它使用Spark強大的分布式引擎來擴展對大量數據集的深度學習。
13.分布式Keras（貢獻者-5，提交-1125，獲得星星-523）
DistributedKeras是一個基于ApacheSpark和Keras構建的分布式深度學習框架，專注于”最先進“的分布式優化算法。我們以這樣一種方式設計框架，即可以輕松實現新的分布式優化器，從而使人們能夠專注于研究。
當然，這些列表完全是主觀的，因為許多庫可以輕松地放在多個類別中。例如，TensorFlow包含在此列表中，但Keras已被省略，而機器學習庫集合中的功能則被替換。這是因為Keras更像是像SKLearn這樣的“最終用戶”庫，而不是TensorFlow，后者更吸引研究人員和機器學習工程師類型。
圖1：前三名Python深度學習庫，由提交者和貢獻者提供。圓的大小與星的數量成正比。
1.TensorFlow（貢獻者-1700，提交-42256，獲得星星-112591）
TensorFlow是一個使用數據流圖進行數值計算的開源軟件庫。圖形節點表示數學運算，而圖形邊緣表示在它們之間流動的多維數據陣列（張量）。這種靈活的體系結構使您可以將計算部署到桌面，服務器或移動設備中的一個或多個CPU或GPU，而無需重寫代碼。
說到TensorFlow，前不久谷歌發布了一個TensorFlow.js的工具，有了這項工具，用戶可以利用AIY Projects 旗下的兩款AIY硬件產品——AIY Vision Kit和Voice Kit，DIY自己的人工智能小玩意。即使不是機器視覺領域的專家，大家也可以實現很多應用場景，比如在瀏覽器中訓練自己的寵物臉辨識系統，在自家的監視系統中使用等等。
2.PyTorch（貢獻者-806，提交-14022，獲得星星-20243）
PyTorch是一個Python包，提供兩個高級功能：
具有強大的GPU加速度的張量計算（如NumPy）
基于磁帶的自動編程系統構建的深度神經網絡
您可以重用您喜歡的Python軟件包，如NumPy，SciPy和Cython，以便在需要時擴展PyTorch。
3.Apache MXNet（貢獻者-628，提交-8723，獲得星星-15447）
Apache MXNet（孵化）是一個深度學習框架，旨在提高效率和靈活性。它允許您混合符號和命令式編程，以最大限度地提高效率和生產力。MXNet的核心是一個動態依賴調度程序，可以動態地自動并行化符號和命令操作。
4.Theano（貢獻者-329，提交-28033，獲得星星-8536）
Theano是一個Python庫，允許您有效地定義，優化和評估涉及多維數組的數學表達式。它可以使用GPU并實現有效的符號區分。
5.Caffe（貢獻者-270，提交-4152，獲得星星-25927）
Caffe是一個深度學習框架，以表達，速度和模塊化為基礎。它由伯克利人工智能研究（BAIR）/伯克利視覺與學習中心（BVLC）和社區貢獻者開發。
6.fast.ai（貢獻者-226，提交-2237，獲得星星-8872）
fast.ai庫使用現代最佳實踐簡化了快速準確的神經網絡訓練。該圖書館基于對fast.ai進行的深度學習最佳實踐的研究，包括對視覺，文本，表格和協作（協作過濾）模型的“開箱即用”支持。
7.CNTK（貢獻者-189，提交-15979，獲得星星-15281）
Microsoft認知工具包它是一個統一的深度學習工具包，它通過有向圖將神經網絡描述為一系列計算步驟。在該有向圖中，葉節點表示輸入值或網絡參數，而其他節點表示其輸入上的矩陣運算。CNTK允許用戶輕松實現和組合流行的模型類型，如前饋DNN，卷積網絡（CNN）和循環網絡（RNN/LSTM）。
8.TFLearn（貢獻者-118，提交-599，獲得星星-8632）
TFlearn是一個基于Tensorflow構建的模塊化透明深度學習庫。它旨在為TensorFlow提供更高級別的API，以促進和加速實驗，同時保持完全透明并與之兼容。
9.Lasagne（貢獻者-64，提交-1157，獲得星星-3534）
Lasagne是一個輕量級的庫，用于在Theano中構建和訓練神經網絡。它支持前饋網絡，如卷積神經網絡（CNN），包括長短期記憶（LSTM）的循環網絡及其任何組合。
10.nolearn（貢獻者-14，提交-389，獲得星星-909）
nolearn包含許多圍繞現有神經網絡庫的包裝和抽象，最著名的是Lasagne，以及一些機器學習實用程序模塊。編寫所有代碼以與scikit-learn兼容。
11.Elephas（貢獻者-13，提交者-249，獲得星星-1046）
Elephas是Keras的擴展，它允許您使用Spark大規模運行分布式深度學習模型。Elephas目前支持許多應用程序，包括：
深度學習模型的數據并行訓練
分布式超參數優化
集成模型的分布式訓練
12.ApacheSpark（貢獻者-12，提交-83，獲得星星-1131）
DeepLearningPipelines使用ApacheSpark為Python中的可擴展深度學習提供高級API。該庫來自Databricks，并利用Spark的兩個最強大的方面：
本著Spark和SparkMLlib的精神，它提供了易于使用的API，可以在極少數代碼行中實現深度學習。
它使用Spark強大的分布式引擎來擴展對大量數據集的深度學習。
13.分布式Keras（貢獻者-5，提交-1125，獲得星星-523）
DistributedKeras是一個基于ApacheSpark和Keras構建的分布式深度學習框架，專注于”最先進“的分布式優化算法。我們以這樣一種方式設計框架，即可以輕松實現新的分布式優化器，從而使人們能夠專注于研究。
請按此登錄後留言。未成為會員? 立即註冊