Python已经成为机器学习时代的最受欢迎的语言，业内大牛正在使用什么Python库呢？今天我们就来盘点一下2017年十大最受欢迎的机器学习Python库。
每年的十二月是每个人review过去一年成就的时候，在看自己成就的同时，也同时为未来做好打算。对于程序员来说，十二月通常是回顾今年发布的开源库或者是最近流行的开源库，因为它们是在未来一段时间内解决我们问题的绝佳工具。
AI的快速发展，让机器学习走向了巅峰，今天我们就借此盘点一下2017年最受欢迎的机器学习库（ML），希望你能够在这里寻找到你未来一段时间内的“利器”。
1.Pipenv
Pipenv是今年初开源的用于管理依赖项的官方推荐工具。Pipenv最初是由KennethReitz创立的一个项目，旨在将其他包管理器（如NPM或yarn）的创意整合至Python中。安装virtualenv和virtualenvwrapper，并确保依赖项的依赖项版本的可重复性（在这里阅读更多关于这方面的信息）。使用Pipenv，你可以指定所有的依赖关系，通常使用命令添加，删除或更新依赖项。该工具可以生成一个文件，使得你的构建是确定性的，它可以帮助你避免那些难以捉住的BUG。
2.PyTorch
今年Facebook推出的DLT框架PyTorch，在深度学习社区中很受欢迎。PyTorch是构建在流行的Torch框架之上，尤其是它是基于Python的。考虑到过去几年人们一直在使用Python进行数据科学研究，这也是深度学习库大部分是使用Python的原因。
最值得注意的是，PyTorch已经成为了众多研究人员的首选框架之一，因为它实现了新颖的动态计算图范例（DynamicComputationalGraphparadigm）。当使用TensorFlow，CNTK或MXNet等框架编写代码时，必须首先定义一个称为计算图的东西。该图指定了我们的代码将运行的所有操作，这些操作稍后会被编译并被框架优化，以便能够在GPU上并行运行得更快。这个范例被称为静态计算图，因为你可以利用各种优化，而且这个图形一旦建成，就可以运行在不同的设备上。然而，在诸如自然语言处理之类的任务中，工作量通常是可变的。在将图像提供给算法之前，把图像调整为固定的分辨率，但不能对可变长度的句子进行相同的处理。这恰恰能体现PyTorch和动态图表的优势，通过让你在代码中使用标准的Python控制指令，图形将在执行时定义，给你更多自由空间，这对于几个任务来说是必不可少的。
当然，PyTorch也会自动计算梯度，并且速度非常快，而且是可扩展的。
3.Caffe2
这听起来可能不太现实，Facebook今年也发布了另一个的DL框架——caffe2。原来的Caffe框架已被广泛使用多年，并以非常不错的性能和经过测试的代码库而闻名。然而，最近DL的趋势使这个框架在某些方面显得有些out。于是Caffe2就成为了它的替代品。
Caffe2支持分布式训练、部署，支持最新的CPU和CUDA的硬件。虽然PyTorch可能更适合研究，但Caffe2更适合大规模部署。其实，你可以在PyTorch中构建和训练模型，同时使用Caffe2进行部署！这不是很好吗？
4.Pendulum
去年，Arrow是一个旨在使你更轻松，同时使用Pythondatetime类进入了榜单，而今年是Pendulum。
Pendulum的优点之一是它是Python标准datetime类直接替代品，因此你可以轻松地将其与现有代码集成，并且只有在需要时才能使用其功能。作者特别注意确保时区能够正确处理，默认情况下使每个实例时区感知自己的时区。你也将得到一个扩展timedelta，这样日期时间算术更容易。
与其他的库不同，它努力使API具有可预测的行为。如果你正在做一些涉及日期的小事，请查看更多的文档。
5.Dash
如果你正在做数据科学，你可能会使用Python生态系统中的Pandas和scikit-learn等优秀的工具。还可以使用JupyterNotebook管理你的工作流程。但是，当你和那些不知道如何使用这些工具的人一起做一项工作的时候，你该怎么办？你如何建立一个界面，使人们可以轻松地玩转数据，并在整个过程中对其进行可视化？过去，你或许需要一个专业的JavaScript前端团队来构建这些GUI。
Dash近几年发布的一个用于构建Web应用程序的开源库，尤其是在纯Python语言中利用数据可视化的Web应用程序。它建立在Flask，Plotly.js和React之上，并提供了接口，所以你不必学习这些框架也能进行高效的开发。如果你想了解更多关于Dash的有趣应用，点击这个地方。 1/3 1 2 3 下一页 尾页 |
