大家好，為了大家能夠對人工智能常用的 Python 庫有一個初步的了解，以選擇能夠滿足自己需求的庫進行學習，對目前較為常見的人工智能庫進行簡要全面的介紹。
NumPy(Numerical Python)是 Python的一個擴展程序庫，支持大量的維度數組與矩陣運算，此外也針對數組運算提供大量的數學函數庫，Numpy底層使用C語言編寫，數組中直接存儲對象，而不是存儲對象指針，所以其運算效率遠高於純Python代碼。我們可以在示例中對比下純Python與使用Numpy庫在計算列表sin值的速度對比：
importnumpyasnpimportmathimportrandomimporttimestart=time.time()foriinrange(10):list_1=list(range(1,10000))forjinrange(len(list_1)):list_1[j]=math.sin(list_1[j])print("使用純Python用時{}s".format(time.time()-start))start=time.time()foriinrange(10):list_1=np.array(np.arange(1,10000))list_1=np.sin(list_1)print("使用Numpy用時{}s".format(time.time()-start))從如下運行結果，可以看到使用 Numpy 庫的速度快於純 Python 編寫的代碼：
使用純Python用時0.017444372177124023s使用Numpy用時0.001619577407836914s2、OpenCVOpenCV 是一個的跨平台計算機視覺庫，可以運行在 Linux、Windows 和 Mac OS 操作系統上。它輕量級而且高效——由一系列 C 函數和少量 C++ 類構成，同時也提供了 Python 接口，實現了圖像處理和計算機視覺方面的很多通用算法。下面代碼嘗試使用一些簡單的濾鏡，包括圖片的平滑處理、高斯模糊等：
importnumpyasnpimportcv2ascvfrommatplotlibimportpyplotaspltimg=cv.imread('h89817032p0.png')kernel=np.ones((5,5),np.float32)/25dst=cv.filter2D(img,-1,kernel)blur_1=cv.GaussianBlur(img,(5,5),0)blur_2=cv.bilateralFilter(img,9,75,75)plt.figure(figsize=(10,10))plt.subplot(221),plt.imshow(img[:,:,::-1]),plt.title('Original')plt.xticks([]),plt.yticks([])plt.subplot(222),plt.imshow(dst[:,:,::-1]),plt.title('Averaging')plt.xticks([]),plt.yticks([])plt.subplot(223),plt.imshow(blur_1[:,:,::-1]),plt.title('Gaussian')plt.xticks([]),plt.yticks([])plt.subplot(224),plt.imshow(blur_1[:,:,::-1]),plt.title('Bilateral')plt.xticks([]),plt.yticks([])plt.show()
OpenCV3、Scikit-imagescikit-image是基於scipy的圖像處理庫，它將圖片作為numpy數組進行處理。例如，可以利用scikit-image改變圖片比例，scikit-image提供了rescale、resize以及downscale_local_mean等函數。
fromskimageimportdata,color,iofromskimage.transformimportrescale,resize,downscale_local_meanimage=color.rgb2gray(io.imread('h89817032p0.png'))image_rescaled=rescale(image,0.25,anti_aliasing=False)image_resized=resize(image,(image.shape[0]//4,image.shape[1]//4),anti_aliasing=True)image_downscaled=downscale_local_mean(image,(4,3))plt.figure(figsize=(20,20))plt.subplot(221),plt.imshow(image,cmap='gray'),plt.title('Original')plt.xticks([]),plt.yticks([])plt.subplot(222),plt.imshow(image_rescaled,cmap='gray'),plt.title('Rescaled')plt.xticks([]),plt.yticks([])plt.subplot(223),plt.imshow(image_resized,cmap='gray'),plt.title('Resized')plt.xticks([]),plt.yticks([])plt.subplot(224),plt.imshow(image_downscaled,cmap='gray'),plt.title('Downscaled')plt.xticks([]),plt.yticks([])plt.show()
Scikit-image4、PILPython Imaging Library(PIL) 已經成為 Python 事實上的圖像處理標準庫了，這是由於，PIL 功能非常強大，但API卻非常簡單易用。但是由於PIL僅支持到 Python 2.7，再加上年久失修，於是一群志願者在 PIL 的基礎上創建了兼容的版本，名字叫 Pillow，支持最新 Python 3.x，又加入了許多新特性，因此，我們可以跳過 PIL，直接安裝使用 Pillow。
5、Pillow使用 Pillow 生成字母驗證碼圖片：
fromPILimportImage,ImageDraw,ImageFont,ImageFilterimportrandom#隨機字母:defrndChar():returnchr(random.randint(65,90))#隨機顏色1:defrndColor():return(random.randint(64,255),random.randint(64,255),random.randint(64,255))#隨機顏色2:defrndColor2():return(random.randint(32,127),random.randint(32,127),random.randint(32,127))#240x60:width=60*6height=60*6image=Image.new('RGB',(width,height),(255,255,255))#創建Font對象:font=ImageFont.truetype('/usr/share/fonts/wps-office/simhei.ttf',60)#創建Draw對象:draw=ImageDraw.Draw(image)#填充每個像素:forxinrange(width):foryinrange(height):draw.point((x,y),fill=rndColor())#輸出文字:fortinrange(6):draw.text((60*t+10,150),rndChar(),font=font,fill=rndColor2())#模糊:image=image.filter(ImageFilter.BLUR)image.save('code.jpg','jpeg')
驗證碼6、SimpleCVSimpleCV 是一個用於構建計算機視覺應用程序的開源框架。使用它，可以訪問高性能的計算機視覺庫，如 OpenCV，而不必首先了解位深度、文件格式、顏色空間、緩衝區管理、特徵值或矩陣等術語。但其對於 Python3 的支持很差很差，在 Python3.7 中使用如下代碼：
fromSimpleCVimportImage,Color,Display#loadanimagefromimgurimg=Image('http://i.imgur.com/lfAeZ4n.png')#useakeypointdetectortofindareasofinterestfeats=img.findKeypoints()#drawthelistofkeypointsfeats.draw(color=Color.RED)#showtheresultingimage.img.show()#applythestuffwefoundtotheimage.output=img.applyLayers()#savetheresults.output.save('juniperfeats.png')會報如下錯誤，因此不建議在 Python3 中使用：
SyntaxError:Missingparenthesesincallto'print'.Didyoumeanprint('unittest')?7、MahotasMahotas 是一個快速計算機視覺算法庫，其構建在 Numpy 之上，目前擁有超過100種圖像處理和計算機視覺功能，並在不斷增長。使用 Mahotas 加載圖像，並對像素進行操作：
importnumpyasnpimportmahotasimportmahotas.demosfrommahotas.thresholdingimportsoft_thresholdfrommatplotlibimportpyplotaspltfromosimportpathf=mahotas.demos.load('lena',as_grey=True)f=f[128:,128:]plt.gray()#Showthedata:print("Fractionofzerosinoriginalimage:{0}".format(np.mean(f==0)))plt.imshow(f)plt.show()
Mahotas8、IlastikIlastik 能夠給用戶提供良好的基於機器學習的生物信息圖像分析服務，利用機器學習算法，輕鬆地分割，分類，跟蹤和計數細胞或其他實驗數據。大多數操作都是交互式的，並不需要機器學習專業知識。可以參考https://www.ilastik.org/documentation/basics/installation.html進行安裝使用。
9、Scikit-learnScikit-learn 是針對 Python 編程語言的免費軟件機器學習庫。它具有各種分類，回歸和聚類算法，包括支持向量機，隨機森林，梯度提升，k均值和 DBSCAN 等多種機器學習算法。使用Scikit-learn實現KMeans算法：
importtimeimportnumpyasnpimportmatplotlib.pyplotaspltfromsklearn.clusterimportMiniBatchKMeans,KMeansfromsklearn.metrics.pairwiseimportpairwise_distances_argminfromsklearn.datasetsimportmake_blobs#Generatesampledatanp.random.seed(0)batch_size=45centers=[[1,1],[-1,-1],[1,-1]]n_clusters=len(centers)X,labels_true=make_blobs(n_samples=3000,centers=centers,cluster_std=0.7)#ComputeclusteringwithMeansk_means=KMeans(init='k-means++',n_clusters=3,n_init=10)t0=time.time()k_means.fit(X)t_batch=time.time()-t0#ComputeclusteringwithMiniBatchKMeansmbk=MiniBatchKMeans(init='k-means++',n_clusters=3,batch_size=batch_size,n_init=10,max_no_improvement=10,verbose=0)t0=time.time()mbk.fit(X)t_mini_batch=time.time()-t0#Plotresultfig=plt.figure(figsize=(8,3))fig.subplots_adjust(left=0.02,right=0.98,bottom=0.05,top=0.9)colors=['#4EACC5','#FF9C34','#4E9A06']#Wewanttohavethesamecolorsforthesameclusterfromthe#MiniBatchKMeansandtheKMeansalgorithm.Let'spairtheclustercentersper#closestone.k_means_cluster_centers=k_means.cluster_centers_order=pairwise_distances_argmin(k_means.cluster_centers_,mbk.cluster_centers_)mbk_means_cluster_centers=mbk.cluster_centers_[order]k_means_labels=pairwise_distances_argmin(X,k_means_cluster_centers)mbk_means_labels=pairwise_distances_argmin(X,mbk_means_cluster_centers)#KMeansfork,colinzip(range(n_clusters),colors):my_members=k_means_labels==kcluster_center=k_means_cluster_centers[k]plt.plot(X[my_members,0],X[my_members,1],'w',markerfacecolor=col,marker='.')plt.plot(cluster_center[0],cluster_center[1],'o',markerfacecolor=col,markeredgecolor='k',markersize=6)plt.title('KMeans')plt.xticks(())plt.yticks(())plt.show()
KMeans10、SciPySciPy 庫提供了許多用戶友好和高效的數值計算，如數值積分、插值、優化、線性代數等。SciPy 庫定義了許多數學物理的特殊函數，包括橢圓函數、貝塞爾函數、伽馬函數、貝塔函數、超幾何函數、拋物線圓柱函數等等。
fromscipyimportspecialimportmatplotlib.pyplotaspltimportnumpyasnpdefdrumhead_height(n,k,distance,angle,t):kth_zero=special.jn_zeros(n,k)[-1]returnnp.cos(t)*np.cos(n*angle)*special.jn(n,distance*kth_zero)theta=np.r_[0:2*np.pi:50j]radius=np.r_[0:1:50j]x=np.array([r*np.cos(theta)forrinradius])y=np.array([r*np.sin(theta)forrinradius])z=np.array([drumhead_height(1,1,r,theta,0.5)forrinradius])fig=plt.figure()ax=fig.add_axes(rect=(0,0.05,0.95,0.95),projection='3d')ax.plot_surface(x,y,z,rstride=1,cstride=1,cmap='RdBu_r',vmin=-0.5,vmax=0.5)ax.set_xlabel('X')ax.set_ylabel('Y')ax.set_xticks(np.arange(-1,1.1,0.5))ax.set_yticks(np.arange(-1,1.1,0.5))ax.set_zlabel('Z')plt.show()
SciPy11、NLTKNLTK 是構建Python程序以處理自然語言的庫。它為50多個語料庫和詞彙資源(如 WordNet )提供了易於使用的接口，以及一套用於分類、分詞、詞幹、標記、解析和語義推理的文本處理庫、工業級自然語言處理 (Natural Language Processing, NLP) 庫的包裝器。NLTK被稱為 「a wonderful tool for teaching, and working in, computational linguistics using Python」。
importnltkfromnltk.corpusimporttreebank#首次使用需要下載nltk.download('punkt')nltk.download('averaged_perceptron_tagger')nltk.download('maxent_ne_chunker')nltk.download('words')nltk.download('treebank')sentence="""Ateighto'clockonThursdaymorningArthurdidn'tfeelverygood."""#Tokenizetokens=nltk.word_tokenize(sentence)tagged=nltk.pos_tag(tokens)#Identifynamedentitiesentities=nltk.chunk.ne_chunk(tagged)#Displayaparsetreet=treebank.parsed_sents('wsj_0001.mrg')[0]t.draw()
NLTK12、spaCyspaCy 是一個免費的開源庫，用於 Python 中的高級 NLP。它可以用於構建處理大量文本的應用程序；也可以用來構建信息提取或自然語言理解系統，或者對文本進行預處理以進行深度學習。
importspacytexts=["Netincomewas$9.4millioncomparedtotheprioryearof$2.7million.","Revenueexceededtwelvebilliondollars,withalossof$1b.",]nlp=spacy.load("en_core_web_sm")fordocinnlp.pipe(texts,disable=["tok2vec","tagger","parser","attribute_ruler","lemmatizer"]):#Dosomethingwiththedochereprint([(ent.text,ent.label_)forentindoc.ents])nlp.pipe 生成 Doc 對象，因此我們可以對它們進行迭代並訪問命名實體預測：
[('$9.4million','MONEY'),('theprioryear','DATE'),('$2.7million','MONEY')][('twelvebilliondollars','MONEY'),('1b','MONEY')]13、LibROSAlibrosa 是一個用於音樂和音頻分析的 Python 庫，它提供了創建音樂信息檢索系統所必需的功能和函數。
#Beattrackingexampleimportlibrosa#1.Getthefilepathtoanincludedaudioexamplefilename=librosa.example('nutcracker')#2.Loadtheaudioasawaveform`y`#Storethesamplingrateas`sr`y,sr=librosa.load(filename)#3.Runthedefaultbeattrackertempo,beat_frames=librosa.beat.beat_track(y=y,sr=sr)print('Estimatedtempo:{:.2f}beatsperminute'.format(tempo))#4.Converttheframeindicesofbeateventsintotimestampsbeat_times=librosa.frames_to_time(beat_frames,sr=sr)14、PandasPandas 是一個快速、強大、靈活且易於使用的開源數據分析和操作工具， Pandas 可以從各種文件格式比如 CSV、JSON、SQL、Microsoft Excel 導入數據，可以對各種數據進行運算操作，比如歸併、再成形、選擇，還有數據清洗和數據加工特徵。Pandas 廣泛應用在學術、金融、統計學等各個數據分析領域。
importmatplotlib.pyplotaspltimportpandasaspdimportnumpyasnpts=pd.Series(np.random.randn(1000),index=pd.date_range("1/1/2000",periods=1000))ts=ts.cumsum()df=pd.DataFrame(np.random.randn(1000,4),index=ts.index,columns=list("ABCD"))df=df.cumsum()df.plot()plt.show()
Pandas15、MatplotlibMatplotlib 是Python的繪圖庫，它提供了一整套和 matlab 相似的命令 API，可以生成出版質量級別的精美圖形，Matplotlib 使繪圖變得非常簡單，在易用性和性能間取得了優異的平衡。使用 Matplotlib 繪製多曲線圖：
#plot_multi_curve.pyimportnumpyasnpimportmatplotlib.pyplotaspltx=np.linspace(0.1,2*np.pi,100)y_1=xy_2=np.square(x)y_3=np.log(x)y_4=np.sin(x)plt.plot(x,y_1)plt.plot(x,y_2)plt.plot(x,y_3)plt.plot(x,y_4)plt.show()
Matplotlib16、SeabornSeaborn 是在 Matplotlib 的基礎上進行了更高級的API封裝的Python數據可視化庫，從而使得作圖更加容易，應該把 Seaborn 視為 Matplotlib 的補充，而不是替代物。
importseabornassnsimportmatplotlib.pyplotaspltsns.set_theme(style="ticks")df=sns.load_dataset("penguins")sns.pairplot(df,hue="species")plt.show()
seaborn17、OrangeOrange 是一個開源的數據挖掘和機器學習軟件，提供了一系列的數據探索、可視化、預處理以及建模組件。Orange 擁有漂亮直觀的交互式用戶界面，非常適合新手進行探索性數據分析和可視化展示；同時高級用戶也可以將其作為 Python 的一個編程模塊進行數據操作和組件開發。使用 pip 即可安裝 Orange，好評～
$pipinstallorange3安裝完成後，在命令行輸入 orange-canvas 命令即可啟動 Orange 圖形界面：
$orange-canvas啟動完成後，即可看到 Orange 圖形界面，進行各種操作。
Orange18、PyBrainPyBrain 是 Python 的模塊化機器學習庫。它的目標是為機器學習任務和各種預定義的環境提供靈活、易於使用且強大的算法來測試和比較算法。PyBrain 是 Python-Based Reinforcement Learning, Artificial Intelligence and Neural Network Library 的縮寫。我們將利用一個簡單的例子來展示 PyBrain 的用法，構建一個多層感知器 (Multi Layer Perceptron, MLP)。首先，我們創建一個新的前饋網絡對象：
frompybrain.structureimportFeedForwardNetworkn=FeedForwardNetwork()接下來，構建輸入、隱藏和輸出層：
frompybrain.structureimportLinearLayer,SigmoidLayerinLayer=LinearLayer(2)hiddenLayer=SigmoidLayer(3)outLayer=LinearLayer(1)為了使用所構建的層，必須將它們添加到網絡中：
n.addInputModule(inLayer)n.addModule(hiddenLayer)n.addOutputModule(outLayer)可以添加多個輸入和輸出模塊。為了向前計算和反向誤差傳播，網絡必須知道哪些層是輸入、哪些層是輸出。這就需要明確確定它們應該如何連接。為此，我們使用最常見的連接類型，全連接層，由 FullConnection 類實現：
frompybrain.structureimportFullConnectionin_to_hidden=FullConnection(inLayer,hiddenLayer)hidden_to_out=FullConnection(hiddenLayer,outLayer)與層一樣，我們必須明確地將它們添加到網絡中：
n.addConnection(in_to_hidden)n.addConnection(hidden_to_out)所有元素現在都已準備就位，最後，我們需要調用.sortModules()方法使MLP可用：
n.sortModules()這個調用會執行一些內部初始化，這在使用網絡之前是必要的。
19、MilkMILK(MACHINE LEARNING TOOLKIT) 是 Python 語言的機器學習工具包。它主要是包含許多分類器比如 SVMS、K-NN、隨機森林以及決策樹中使用監督分類法，它還可執行特徵選擇，可以形成不同的例如無監督學習、密切關係傳播和由 MILK 支持的 K-means 聚類等分類系統。使用 MILK 訓練一個分類器：
importnumpyasnpimportmilkfeatures=np.random.rand(100,10)labels=np.zeros(100)features[50:]+=.5labels[50:]=1learner=milk.defaultclassifier()model=learner.train(features,labels)#Nowyoucanusethemodelonnewexamples:example=np.random.rand(10)print(model.apply(example))example2=np.random.rand(10)example2+=.5print(model.apply(example2))20、TensorFlowTensorFlow 是一個端到端開源機器學習平台。它擁有一個全面而靈活的生態系統，一般可以將其分為 TensorFlow1.x 和 TensorFlow2.x，TensorFlow1.x 與 TensorFlow2.x 的主要區別在於 TF1.x 使用靜態圖而 TF2.x 使用Eager Mode動態圖。這裡主要使用TensorFlow2.x作為示例，展示在 TensorFlow2.x 中構建卷積神經網絡 (Convolutional Neural Network, CNN)。
importtensorflowastffromtensorflow.kerasimportdatasets,layers,models#數據加載(train_images,train_labels),(test_images,test_labels)=datasets.cifar10.load_data()#數據預處理train_images,test_images=train_images/255.0,test_images/255.0#模型構建model=models.Sequential()model.add(layers.Conv2D(32,(3,3),activation='relu',input_shape=(32,32,3)))model.add(layers.MaxPooling2D((2,2)))model.add(layers.Conv2D(64,(3,3),activation='relu'))model.add(layers.MaxPooling2D((2,2)))model.add(layers.Conv2D(64,(3,3),activation='relu'))model.add(layers.Flatten())model.add(layers.Dense(64,activation='relu'))model.add(layers.Dense(10))#模型編譯與訓練model.compile(optimizer='adam',loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),metrics=['accuracy'])history=model.fit(train_images,train_labels,epochs=10,validation_data=(test_images,test_labels))想要了解更多Tensorflow2.x的示例，可以參考專欄 Tensorflow.
21、PyTorchPyTorch 的前身是 Torch，其底層和 Torch 框架一樣，但是使用 Python 重新寫了很多內容，不僅更加靈活，支持動態圖，而且提供了 Python 接口。
#導入庫importtorchfromtorchimportnnfromtorch.utils.dataimportDataLoaderfromtorchvisionimportdatasetsfromtorchvision.transformsimportToTensor,Lambda,Composeimportmatplotlib.pyplotasplt#模型構建device="cuda"iftorch.cuda.is_available()else"cpu"print("Using{}device".format(device))#DefinemodelclassNeuralNetwork(nn.Module):def__init__(self):super(NeuralNetwork,self).__init__()self.flatten=nn.Flatten()self.linear_relu_stack=nn.Sequential(nn.Linear(28*28,512),nn.ReLU(),nn.Linear(512,512),nn.ReLU(),nn.Linear(512,10),nn.ReLU())defforward(self,x):x=self.flatten(x)logits=self.linear_relu_stack(x)returnlogitsmodel=NeuralNetwork().to(device)#損失函數和優化器loss_fn=nn.CrossEntropyLoss()optimizer=torch.optim.SGD(model.parameters(),lr=1e-3)#模型訓練deftrain(dataloader,model,loss_fn,optimizer):size=len(dataloader.dataset)forbatch,(X,y)inenumerate(dataloader):X,y=X.to(device),y.to(device)#Computepredictionerrorpred=model(X)loss=loss_fn(pred,y)#Backpropagationoptimizer.zero_grad()loss.backward()optimizer.step()ifbatch%100==0:loss,current=loss.item(),batch*len(X)print(f"loss:{loss:>7f}[{current:>5d}/{size:>5d}]")22、TheanoTheano 是一個 Python 庫，它允許定義、優化和有效地計算涉及多維數組的數學表達式，建在 NumPy 之上。在 Theano 中實現計算雅可比矩陣：
importtheanoimporttheano.tensorasTx=T.dvector('x')y=x**2J,updates=theano.scan(lambdai,y,x:T.grad(y[i],x),sequences=T.arange(y.shape[0]),non_sequences=[y,x])f=theano.function([x],J,updates=updates)f([4,4])23、KerasKeras 是一個用 Python 編寫的高級神經網絡 API，它能夠以 TensorFlow, CNTK, 或者 Theano 作為後端運行。Keras 的開發重點是支持快速的實驗，能夠以最小的時延把想法轉換為實驗結果。
fromkeras.modelsimportSequentialfromkeras.layersimportDense#模型構建model=Sequential()model.add(Dense(units=64,activation='relu',input_dim=100))model.add(Dense(units=10,activation='softmax'))#模型編譯與訓練model.compile(loss='categorical_crossentropy',optimizer='sgd',metrics=['accuracy'])model.fit(x_train,y_train,epochs=5,batch_size=32)24、Caffe在 Caffe2 官方網站上，這樣說道：Caffe2 現在是 PyTorch 的一部分。雖然這些 api 將繼續工作，但鼓勵使用 PyTorch api。
25、MXNetMXNet 是一款設計為效率和靈活性的深度學習框架。它允許混合符號編程和命令式編程，從而最大限度提高效率和生產力。使用 MXNet 構建手寫數字識別模型：
importmxnetasmxfrommxnetimportgluonfrommxnet.gluonimportnnfrommxnetimportautogradasagimportmxnet.ndarrayasF#數據加載mnist=mx.test_utils.get_mnist()batch_size=100train_data=mx.io.NDArrayIter(mnist['train_data'],mnist['train_label'],batch_size,shuffle=True)val_data=mx.io.NDArrayIter(mnist['test_data'],mnist['test_label'],batch_size)#CNN模型classNet(gluon.Block):def__init__(self,**kwargs):super(Net,self).__init__(**kwargs)self.conv1=nn.Conv2D(20,kernel_size=(5,5))self.pool1=nn.MaxPool2D(pool_size=(2,2),strides=(2,2))self.conv2=nn.Conv2D(50,kernel_size=(5,5))self.pool2=nn.MaxPool2D(pool_size=(2,2),strides=(2,2))self.fc1=nn.Dense(500)self.fc2=nn.Dense(10)defforward(self,x):x=self.pool1(F.tanh(self.conv1(x)))x=self.pool2(F.tanh(self.conv2(x)))#0meanscopyoversizefromcorrespondingdimension.#-1meansinfersizefromtherestofdimensions.x=x.reshape((0,-1))x=F.tanh(self.fc1(x))x=F.tanh(self.fc2(x))returnxnet=Net()#初始化與優化器定義#setthecontextonGPUisavailableotherwiseCPUctx=[mx.gpu()ifmx.test_utils.list_gpus()elsemx.cpu()]net.initialize(mx.init.Xavier(magnitude=2.24),ctx=ctx)trainer=gluon.Trainer(net.collect_params(),'sgd',{'learning_rate':0.03})#模型訓練#UseAccuracyastheevaluationmetric.metric=mx.metric.Accuracy()softmax_cross_entropy_loss=gluon.loss.SoftmaxCrossEntropyLoss()foriinrange(epoch):#Resetthetraindataiterator.train_data.reset()forbatchintrain_data:data=gluon.utils.split_and_load(batch.data[0],ctx_list=ctx,batch_axis=0)label=gluon.utils.split_and_load(batch.label[0],ctx_list=ctx,batch_axis=0)outputs=[]#Insidetrainingscopewithag.record():forx,yinzip(data,label):z=net(x)#Computessoftmaxcrossentropyloss.loss=softmax_cross_entropy_loss(z,y)#Backpropogatetheerrorforoneiteration.loss.backward()outputs.append(z)metric.update(label,outputs)trainer.step(batch.data[0].shape[0])#Getstheevaluationresult.name,acc=metric.get()#Resetevaluationresulttoinitialstate.metric.reset()print('trainingaccatepoch%d:%s=%f'%(i,name,acc))26、PaddlePaddle飛槳 (PaddlePaddle) 以百度多年的深度學習技術研究和業務應用為基礎，集深度學習核心訓練和推理框架、基礎模型庫、端到端開發套件、豐富的工具組件於一體。是中國首個自主研發、功能完備、開源開放的產業級深度學習平台。使用 PaddlePaddle 實現 LeNtet5：
#導入需要的包importpaddleimportnumpyasnpfrompaddle.nnimportConv2D,MaxPool2D,Linear##組網importpaddle.nn.functionalasF#定義LeNet網絡結構classLeNet(paddle.nn.Layer):def__init__(self,num_classes=1):super(LeNet,self).__init__()#創建卷積和池化層#創建第1個卷積層self.conv1=Conv2D(in_channels=1,out_channels=6,kernel_size=5)self.max_pool1=MaxPool2D(kernel_size=2,stride=2)#尺寸的邏輯：池化層未改變通道數；當前通道數為6#創建第2個卷積層self.conv2=Conv2D(in_channels=6,out_channels=16,kernel_size=5)self.max_pool2=MaxPool2D(kernel_size=2,stride=2)#創建第3個卷積層self.conv3=Conv2D(in_channels=16,out_channels=120,kernel_size=4)#尺寸的邏輯：輸入層將數據拉平[B,C,H,W]->[B,C*H*W]#輸入size是[28,28]，經過三次卷積和兩次池化之後，C*H*W等於120self.fc1=Linear(in_features=120,out_features=64)#創建全連接層，第一個全連接層的輸出神經元個數為64，第二個全連接層輸出神經元個數為分類標籤的類別數self.fc2=Linear(in_features=64,out_features=num_classes)#網絡的前向計算過程defforward(self,x):x=self.conv1(x)#每個卷積層使用Sigmoid激活函數，後面跟着一個2x2的池化x=F.sigmoid(x)x=self.max_pool1(x)x=F.sigmoid(x)x=self.conv2(x)x=self.max_pool2(x)x=self.conv3(x)#尺寸的邏輯：輸入層將數據拉平[B,C,H,W]->[B,C*H*W]x=paddle.reshape(x,[x.shape[0],-1])x=self.fc1(x)x=F.sigmoid(x)x=self.fc2(x)returnx27、CNTKCNTK(Cognitive Toolkit) 是一個深度學習工具包，通過有向圖將神經網絡描述為一系列計算步驟。在這個有向圖中，葉節點表示輸入值或網絡參數，而其他節點表示對其輸入的矩陣運算。CNTK 可以輕鬆地實現和組合流行的模型類型，如 CNN 等。CNTK 用網絡描述語言 (network description language, NDL) 描述一個神經網絡。 簡單的說，要描述輸入的 feature，輸入的 label，一些參數，參數和輸入之間的計算關係，以及目標節點是什麼。
NDLNetworkBuilder=[run=ndlLRndlLR=[#sampleandlabeldimensionsSDim=$dimension$LDim=1features=Input(SDim,1)labels=Input(LDim,1)#parameterstolearnB0=Parameter(4)W0=Parameter(4,SDim)B=Parameter(LDim)W=Parameter(LDim,4)#operationst0=Times(W0,features)z0=Plus(t0,B0)s0=Sigmoid(z0)t=Times(W,s0)z=Plus(t,B)s=Sigmoid(z)LR=Logistic(labels,s)EP=SquareError(labels,s)#rootnodesFeatureNodes=(features)LabelNodes=(labels)CriteriaNodes=(LR)EvalNodes=(EP)OutputNodes=(s,t,z,s0,W0)]]
長按或掃描下方二維碼，後台回覆：加群，即可申請入群。一定要備註：來源+研究方向+學校/公司，否則不拉入群中，見諒！
（長按三秒，進入後台）
推薦閱讀
留言列表