今天这篇我们介绍下Python中常用的机器学习库(机器学习、深度学习啥的,小编还是建议使用Python进行建模编写哈),也算是本公号机器学习的第一篇推文,主要内容如下:
-
机器学习常用四大Python库
-
关于机器学习的我想说的话
-
所有完整代码都已整理之我们的线上课程,有需要的同学+v yidianshuyulove 咨询
深度学习常用四大Python库
这一部分我们简单介绍下Python中的常用的机器学习库,算是比较入门的介绍哈,具体包括Scikit-learn、Keras、TensorFlow和PyTorch,下面我们就一一简单介绍:
Scikit-learn
- 「官网」
网址:https://scikit-learn.org/stable/
- 「简单介绍」
Scikit-learn(sklearn)是机器学习中常用的第三方模块,其对常用的机器学习方法进行了封装,具体包括回归(Regression)、降维(Dimensionality Reduction)、分类(Classfication)、聚类(Clustering)等方法。主要特点:
-
简单高效的数据挖掘和数据分析工具
-
够在复杂环境中重复使用
-
建立NumPy、Scipy、MatPlotLib之上
- 「官方样例及示图」
- Classification(分类)
Classification
- Regression(回归)
Regression
- Clustering(聚类)
Clustering
更多内容,小伙伴们可参考上方官网哈
Keras
这个库也是小编较常使用的深度学习库,其高度集成式可帮助你快速搭建深度学习网络。值得一提的是,官方也提供了对应的中文网站哦,帮助大家更好的理解。
- 「官网」
- 「简单介绍」
Keras是一个由Python编写的开源人工神经网络库,在代码结构上由面向对象 方法编写,完全模块化并具有可扩展性,其运行机制和说明文档有将用户体验和使用难度纳入考虑,并试图简化复杂算法的实现难度。特点如下:
-
支持现代人工智能领域的主流算法,包括前馈结构和递归结构的神经网络,
-
可通过封装参与构建统计学习模型。
-
支持多操作系统下的多GPU并行计算。
- 「官方样例及示图」
-
基于多层感知器 (MLP) 的 softmax 多分类:
import keras
from keras.models import Sequential
from keras.layers import Dense, Dropout, Activation
from keras.optimizers import SGD生成虚拟数据
import numpy as np
x_train = np.random.random((1000, 20))
y_train = keras.utils.to_categorical(np.random.randint(10, size=(1000, 1)), num_classes=10)
x_test = np.random.random((100, 20))
y_test = keras.utils.to_categorical(np.random.randint(10, size=(100, 1)), num_classes=10)model = Sequential()
Dense(64) 是一个具有 64 个隐藏神经元的全连接层。
在第一层必须指定所期望的输入数据尺寸:
在这里,是一个 20 维的向量。
model.add(Dense(64, activation='relu', input_dim=20))
model.add(Dropout(0.5))
model.add(Dense(64, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(10, activation='softmax'))sgd = SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True)
model.compile(loss='categorical_crossentropy',
optimizer=sgd,
metrics=['accuracy'])model.fit(x_train, y_train,
epochs=20,
batch_size=128)
score = model.evaluate(x_test, y_test, batch_size=128) -
基于多层感知器的二分类
import numpy as np
from keras.models import Sequential
from keras.layers import Dense, Dropout生成虚拟数据
x_train = np.random.random((1000, 20))
y_train = np.random.randint(2, size=(1000, 1))
x_test = np.random.random((100, 20))
y_test = np.random.randint(2, size=(100, 1))model = Sequential()
model.add(Dense(64, input_dim=20, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(64, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(1, activation='sigmoid'))model.compile(loss='binary_crossentropy',
optimizer='rmsprop',
metrics=['accuracy'])model.fit(x_train, y_train,
epochs=20,
batch_size=128)
score = model.evaluate(x_test, y_test, batch_size=128) -
基于 LSTM 的序列分类
from keras.models import Sequential
from keras.layers import Dense, Dropout
from keras.layers import Embedding
from keras.layers import LSTMmax_features = 1024
model = Sequential()
model.add(Embedding(max_features, output_dim=256))
model.add(LSTM(128))
model.add(Dropout(0.5))
model.add(Dense(1, activation='sigmoid'))model.compile(loss='binary_crossentropy',
optimizer='rmsprop',
metrics=['accuracy'])model.fit(x_train, y_train, batch_size=16, epochs=10)
score = model.evaluate(x_test, y_test, batch_size=16)
通过以上样例可以发现,只需简单的集成化操作就可以构建出浅层甚至多层的神经网络模型,还是十分方便的。更多样例和操作方法,大家可参考官网哈~~
TensorFlow
- 「官网」
网址:https://tensorflow.google.cn/
- 「简单介绍」
TensorFlow是一个开放源代码软件库,用于进行高性能数值计算,是一个用于研究和生产的开放源代码机器学习库。其提供了各种 API,可供初学者和专家在桌面、移动、网络和云端环境下进行开发,采用数据流图(Data Flow Graphs)来计算。
- 「官方样例」 TensorFlow 官网提供详细而全面的教程和应用文章,大家可前往阅读。
PyTorch
其实这个库吧,在我刚接触深度学习时还不是特别大众化,但在我 快毕业时,其越来越被接受和使用,我想这与其可高度自定义化操作特点有关。
- 「官网」
- 「简单介绍」
PyTorch是一个开源的Python机器学习库,基于Torch,用于自然语言处理等应用程序。2017年1月,由Facebook人工智能研究院(FAIR)基于Torch推出了PyTorch。它是一个基于Python的可续计算包,提供两个高级功能:
-
具有强大的GPU加速的张量计算(如NumPy)。
-
包含自动求导系统的深度神经网络。
「特点如下:」
-
PyTorch是相当简洁且高效快速的框架。
-
设计追求最少的封装。
-
设计符合人类思维,它让用户尽可能地专注于实现自己的想法。
-
与google的Tensorflow类似,FAIR的支持足以确保PyTorch获得持续的开发更新。
-
PyTorch作者亲自维护的论坛 供用户交流和求教问题。
-
入门简单。
- 「官方样例」
- TRAINING A CLASSIFIER(分类训练)
- TORCHVISION OBJECT DETECTION FINETUNING TUTORIAL(目标检测)
网址:https://pytorch.org/tutorials/intermediate/torchvision_tutorial.html
Mask R-CNN adds an extra branch into Faster R-CNN, which also predicts segmentation masks for each instance.
更多优秀案例,大家可阅读PyTorch官网。
关于机器学习的我想说的话
其实对于机器学习或者深度学习,小编的建议还是熟练掌握Scikit-learn、Keras以及PyTorch,这里不是要求掌握到自己熟练编写网络层,但要对其原理有所了解,使自己可以对其进行简单的修改。因为我们实际工作中用到的模型早已经成熟或者开源,大家完全可以去Github上进行下载和解读。但对一些科研需求,则需要自己进行代码 修改甚至相关网络层的编写。本公号后续推出的机器学习相关推文也会从简至难,也会有完整的流程化步骤帮助大家更好地将理论应用到实际上。
最后,给正在追求精度的模型小伙伴说句话:"这玩意吧~精度和结果有时候真得看运气",具体原因就不说了,有经验的我们会心一笑即可