27 个Python数据科学库实战案例 (附代码)

为了大家能够对人工智能常用的 Python 库有一个初步的了解，以选择能够满足自己需求的库进行学习，对目前较为常见的人工智能库进行简要全面的介绍。

**1、Numpy
**

NumPy(Numerical Python)是 Python的一个扩展程序库，支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库，Numpy底层使用C语言编写，数组中直接存储对象，而不是存储对象指针，所以其运算效率远高于纯Python代码。我们可以在示例中对比下纯Python与使用Numpy库在计算列表sin值的速度对比：

import numpy as np``import math``import random``import time``   ``start = time.time()``for i in range(10):`    `list_1 = list(range(1,10000))`    `for j in range(len(list_1)):`        `list_1[j] = math.sin(list_1[j])``print("使用纯Python用时{}s".format(time.time()-start))``   ``start = time.time()``for i in range(10):`    `list_1 = np.array(np.arange(1,10000))`    `list_1 = np.sin(list_1)``print("使用Numpy用时{}s".format(time.time()-start))

从如下运行结果，可以看到使用 Numpy 库的速度快于纯 Python 编写的代码：

使用纯Python用时0.017444372177124023s
使用Numpy用时0.001619577407836914s

**2、OpenCV
**

OpenCV 是一个的跨平台计算机视觉库，可以运行在 Linux、Windows 和 Mac OS 操作系统上。它轻量级而且高效——由一系列 C 函数和少量 C++ 类构成，同时也提供了 Python 接口，实现了图像处理和计算机视觉方面的很多通用算法。下面代码尝试使用一些简单的滤镜，包括图片的平滑处理、高斯模糊等：

import numpy as np``import cv2 as cv``from matplotlib import pyplot as plt``img = cv.imread('h89817032p0.png')``kernel = np.ones((5,5),np.float32)/25``dst = 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()

OpenCV

**3、Scikit-image
**

scikit-image是基于scipy的图像处理库，它将图片作为numpy数组进行处理。例如，可以利用scikit-image改变图片比例，scikit-image提供了rescale、resize以及downscale_local_mean等函数。

from skimage import data, color, io``from skimage.transform import rescale, resize, downscale_local_mean``   ``image = 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-image

**4、PIL
**

Python Imaging Library(PIL) 已经成为 Python 事实上的图像处理标准库了，这是由于，PIL 功能非常强大，但API却非常简单易用。但是由于PIL仅支持到 Python 2.7，再加上年久失修，于是一群志愿者在 PIL 的基础上创建了兼容的版本，名字叫 Pillow，支持最新 Python 3.x，又加入了许多新特性，因此，我们可以跳过 PIL，直接安装使用 Pillow。

**5、Pillow
**

使用 Pillow 生成字母验证码图片：

from PIL import Image, ImageDraw, ImageFont, ImageFilter``   ``import random``   ``# 随机字母:``def rndChar():`    `return chr(random.randint(65, 90))``   ``# 随机颜色1:``def rndColor():`    `return (random.randint(64, 255), random.randint(64, 255), random.randint(64, 255))``   ``# 随机颜色2:``def rndColor2():`    `return (random.randint(32, 127), random.randint(32, 127), random.randint(32, 127))``   ``# 240 x 60:``width = 60 * 6``height = 60 * 6``image = Image.new('RGB', (width, height), (255, 255, 255))``# 创建Font对象:``font = ImageFont.truetype('/usr/share/fonts/wps-office/simhei.ttf', 60)``# 创建Draw对象:``draw = ImageDraw.Draw(image)``# 填充每个像素:``for x in range(width):`    `for y in range(height):`        `draw.point((x, y), fill=rndColor())``# 输出文字:``for t in range(6):`    `draw.text((60 * t + 10, 150), rndChar(), font=font, fill=rndColor2())``# 模糊:``image = image.filter(ImageFilter.BLUR)``image.save('code.jpg', 'jpeg')

验证码

**6、SimpleCV
**

SimpleCV 是一个用于构建计算机视觉应用程序的开源框架。使用它，可以访问高性能的计算机视觉库，如 OpenCV，而不必首先了解位深度、文件格式、颜色空间、缓冲区管理、特征值或矩阵等术语。但其对于 Python3 的支持很差很差，在 Python3.7 中使用如下代码：

from SimpleCV import Image, Color, Display``# load an image from imgur``img = Image('http://i.imgur.com/lfAeZ4n.png')``# use a keypoint detector to find areas of interest``feats = img.findKeypoints()``# draw the list of keypoints``feats.draw(color=Color.RED)``# show the  resulting image.` `img.show()``# apply the stuff we found to the image.``output = img.applyLayers()``# save the results.``output.save('juniperfeats.png')

会报如下错误，因此不建议在 Python3 中使用：

SyntaxError: Missing parentheses in call to 'print'. Did you mean print('unit test')?

**7、Mahotas
**

Mahotas 是一个快速计算机视觉算法库，其构建在 Numpy 之上，目前拥有超过100种图像处理和计算机视觉功能，并在不断增长。使用 Mahotas 加载图像，并对像素进行操作：

import numpy as np``import mahotas``import mahotas.demos``   ``from mahotas.thresholding import soft_threshold``from matplotlib import pyplot as plt``from os import path``f = mahotas.demos.load('lena', as_grey=True)``f = f[128:,128:]``plt.gray()``# Show the data:``print("Fraction of zeros in original image: {0}".format(np.mean(f==0)))``plt.imshow(f)``plt.show()

Mahotas

**8、Ilastik
**

Ilastik 能够给用户提供良好的基于机器学习的生物信息图像分析服务，利用机器学习算法，轻松地分割，分类，跟踪和计数细胞或其他实验数据。大多数操作都是交互式的，并不需要机器学习专业知识。

**9、Scikit-Learn
**

Scikit-learn 是针对 Python 编程语言的免费软件机器学习库。它具有各种分类，回归和聚类算法，包括支持向量机，随机森林，梯度提升，k均值和 DBSCAN 等多种机器学习算法。使用Scikit-learn实现KMeans算法：

import time``   ``import numpy as np``import matplotlib.pyplot as plt``   ``from sklearn.cluster import MiniBatchKMeans, KMeans``from sklearn.metrics.pairwise import pairwise_distances_argmin``from sklearn.datasets import make_blobs``   ``# Generate sample data``np.random.seed(0)``   ``batch_size = 45``centers = [[1, 1], [-1, -1], [1, -1]]``n_clusters = len(centers)``X, labels_true = make_blobs(n_samples=3000, centers=centers, cluster_std=0.7)``   ``# Compute clustering with Means``   ``k_means = KMeans(init='k-means++', n_clusters=3, n_init=10)``t0 = time.time()``k_means.fit(X)``t_batch = time.time() - t0``   ``# Compute clustering with MiniBatchKMeans``   ``mbk = 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``   ``# Plot result``fig = plt.figure(figsize=(8, 3))``fig.subplots_adjust(left=0.02, right=0.98, bottom=0.05, top=0.9)``colors = ['#4EACC5', '#FF9C34', '#4E9A06']``   ``# We want to have the same colors for the same cluster from the``# MiniBatchKMeans and the KMeans algorithm. Let's pair the cluster centers per``# closest one.``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)``   ``# KMeans``for k, col in zip(range(n_clusters), colors):`    `my_members = k_means_labels == k`    `cluster_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()

KMeans

**10、SciPy
**

SciPy 库提供了许多用户友好和高效的数值计算，如数值积分、插值、优化、线性代数等。SciPy 库定义了许多数学物理的特殊函数，包括椭圆函数、贝塞尔函数、伽马函数、贝塔函数、超几何函数、抛物线圆柱函数等等。

from scipy import special``import matplotlib.pyplot as plt``import numpy as np``   ``def drumhead_height(n, k, distance, angle, t):`    `kth_zero = special.jn_zeros(n, k)[-1]`    `return np.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) for r in radius])``y = np.array([r * np.sin(theta) for r in radius])``z = np.array([drumhead_height(1, 1, r, theta, 0.5) for r in radius])``   ``   ``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()

SciPy

**11、NLTK
**

NLTK 是构建Python程序以处理自然语言的库。它为50多个语料库和词汇资源(如 WordNet )提供了易于使用的接口，以及一套用于分类、分词、词干、标记、解析和语义推理的文本处理库、工业级自然语言处理 (Natural Language Processing, NLP) 库的包装器。NLTK被称为 “a wonderful tool for teaching, and working in, computational linguistics using Python”。

import nltk``from nltk.corpus import treebank``   ``# 首次使用需要下载``nltk.download('punkt')``nltk.download('averaged_perceptron_tagger')``nltk.download('maxent_ne_chunker')``nltk.download('words')``nltk.download('treebank')``   ``sentence = """At eight o'clock on Thursday morning Arthur didn't feel very good."""``# Tokenize``tokens = nltk.word_tokenize(sentence)``tagged = nltk.pos_tag(tokens)``   ``# Identify named entities``entities = nltk.chunk.ne_chunk(tagged)``   ``# Display a parse tree``t = treebank.parsed_sents('wsj_0001.mrg')[0]``t.draw()

NLTK

**12、spaCy
**

spaCy 是一个免费的开源库，用于 Python 中的高级 NLP。它可以用于构建处理大量文本的应用程序；也可以用来构建信息提取或自然语言理解系统，或者对文本进行预处理以进行深度学习。

  `import spacy``   `  `texts = [`      `"Net income was $9.4 million compared to the prior year of $2.7 million.",`      `"Revenue exceeded twelve billion dollars, with a loss of $1b.",`  `]``   `  `nlp = spacy.load("en_core_web_sm")`  `for doc in nlp.pipe(texts, disable=["tok2vec", "tagger", "parser", "attribute_ruler", "lemmatizer"]):`      `# Do something with the doc here`      `print([(ent.text, ent.label_) for ent in doc.ents])`

nlp.pipe 生成 Doc 对象，因此我们可以对它们进行迭代并访问命名实体预测：

[('$9.4 million', 'MONEY'), ('the prior year', 'DATE'), ('$2.7 million', 'MONEY')]``[('twelve billion dollars', 'MONEY'), ('1b', 'MONEY')]

**13、LibROSA
**

librosa 是一个用于音乐和音频分析的 Python 库，它提供了创建音乐信息检索系统所必需的功能和函数。

# Beat tracking example``import librosa``   ``# 1. Get the file path to an included audio example``filename = librosa.example('nutcracker')``   ```# 2. Load the audio as a waveform `y` ````#    Store the sampling rate as `sr` ```y, sr = librosa.load(filename)``   ``# 3. Run the default beat tracker``tempo, beat_frames = librosa.beat.beat_track(y=y, sr=sr)``print('Estimated tempo: {:.2f} beats per minute'.format(tempo))``   ``# 4. Convert the frame indices of beat events into timestamps``beat_times = librosa.frames_to_time(beat_frames, sr=sr)

**14、Pandas
**

Pandas 是一个快速、强大、灵活且易于使用的开源数据分析和操作工具， Pandas 可以从各种文件格式比如 CSV、JSON、SQL、Microsoft Excel 导入数据，可以对各种数据进行运算操作，比如归并、再成形、选择，还有数据清洗和数据加工特征。Pandas 广泛应用在学术、金融、统计学等各个数据分析领域。

import matplotlib.pyplot as plt``import pandas as pd``import numpy as np``   ``ts = 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()

Pandas

**15、Matplotlib
**

Matplotlib 是Python的绘图库，它提供了一整套和 matlab 相似的命令 API，可以生成出版质量级别的精美图形，Matplotlib 使绘图变得非常简单，在易用性和性能间取得了优异的平衡。使用 Matplotlib 绘制多曲线图：

# plot_multi_curve.py``import numpy as np``import matplotlib.pyplot as plt``x = np.linspace(0.1, 2 * np.pi, 100)``y_1 = x``y_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()

Matplotlib

**16、Seaborn
**

Seaborn 是在 Matplotlib 的基础上进行了更高级的API封装的Python数据可视化库，从而使得作图更加容易，应该把 Seaborn 视为 Matplotlib 的补充，而不是替代物。

import seaborn as sns``import matplotlib.pyplot as plt``sns.set_theme(style="ticks")``   ``df = sns.load_dataset("penguins")``sns.pairplot(df, hue="species")``plt.show()

seaborn

**17、Orange
**

Orange 是一个开源的数据挖掘和机器学习软件，提供了一系列的数据探索、可视化、预处理以及建模组件。Orange 拥有漂亮直观的交互式用户界面，非常适合新手进行探索性数据分析和可视化展示；同时高级用户也可以将其作为 Python 的一个编程模块进行数据操作和组件开发。使用 pip 即可安装 Orange，好评～

$ pip install orange3

安装完成后，在命令行输入 orange-canvas 命令即可启动 Orange 图形界面：

$ orange-canvas

启动完成后，即可看到 Orange 图形界面，进行各种操作。

Orange

**18、PyBrain
**

PyBrain 是 Python 的模块化机器学习库。它的目标是为机器学习任务和各种预定义的环境提供灵活、易于使用且强大的算法来测试和比较算法。PyBrain 是 Python-Based Reinforcement Learning, Artificial Intelligence and Neural Network Library 的缩写。我们将利用一个简单的例子来展示 PyBrain 的用法，构建一个多层感知器 (Multi Layer Perceptron, MLP)。首先，我们创建一个新的前馈网络对象：

from pybrain.structure import FeedForwardNetwork``n = FeedForwardNetwork()

接下来，构建输入、隐藏和输出层：

from pybrain.structure import LinearLayer, SigmoidLayer``   ``inLayer = LinearLayer(2)``hiddenLayer = SigmoidLayer(3)``outLayer = LinearLayer(1)

为了使用所构建的层，必须将它们添加到网络中：

n.addInputModule(inLayer)``n.addModule(hiddenLayer)``n.addOutputModule(outLayer)

可以添加多个输入和输出模块。为了向前计算和反向误差传播，网络必须知道哪些层是输入、哪些层是输出。这就需要明确确定它们应该如何连接。为此，我们使用最常见的连接类型，全连接层，由 FullConnection 类实现：

from pybrain.structure import FullConnection``in_to_hidden = FullConnection(inLayer, hiddenLayer)``hidden_to_out = FullConnection(hiddenLayer, outLayer)

与层一样，我们必须明确地将它们添加到网络中：

n.addConnection(in_to_hidden)``n.addConnection(hidden_to_out)

所有元素现在都已准备就位，最后，我们需要调用.sortModules()方法使MLP可用：

n.sortModules()

这个调用会执行一些内部初始化，这在使用网络之前是必要的。

**19、Milk
**

MILK(MACHINE LEARNING TOOLKIT) 是 Python 语言的机器学习工具包。它主要是包含许多分类器比如 SVMS、K-NN、随机森林以及决策树中使用监督分类法，它还可执行特征选择，可以形成不同的例如无监督学习、密切关系传播和由 MILK 支持的 K-means 聚类等分类系统。使用 MILK 训练一个分类器：

import numpy as np``import milk``features = np.random.rand(100,10)``labels = np.zeros(100)``features[50:] += .5``labels[50:] = 1``learner = milk.defaultclassifier()``model = learner.train(features, labels)``   ``# Now you can use the model on new examples:``example = np.random.rand(10)``print(model.apply(example))``example2 = np.random.rand(10)``example2 += .5``print(model.apply(example2))

**20、TensorFlow
**

TensorFlow 是一个端到端开源机器学习平台。它拥有一个全面而灵活的生态系统，一般可以将其分为 TensorFlow1.x 和 TensorFlow2.x，TensorFlow1.x 与 TensorFlow2.x 的主要区别在于 TF1.x 使用静态图而 TF2.x 使用Eager Mode动态图。这里主要使用TensorFlow2.x作为示例，展示在 TensorFlow2.x 中构建卷积神经网络 (Convolutional Neural Network, CNN)。

import tensorflow as tf``   ``from tensorflow.keras import datasets, layers, models``   ``# 数据加载``(train_images, train_labels), (test_images, test_labels) = datasets.cifar10.load_data()``   ``# 数据预处理``train_images, test_images = train_images / 255.0, test_images / 255.0``   ``# 模型构建``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))``   ``# 模型编译与训练``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))

**21、PyTorch
**

PyTorch 的前身是 Torch，其底层和 Torch 框架一样，但是使用 Python 重新写了很多内容，不仅更加灵活，支持动态图，而且提供了 Python 接口。

# 导入库``import torch``from torch import nn``from torch.utils.data import DataLoader``from torchvision import datasets``from torchvision.transforms import ToTensor, Lambda, Compose``import matplotlib.pyplot as plt``   ``# 模型构建``device = "cuda" if torch.cuda.is_available() else "cpu"``print("Using {} device".format(device))``   ``# Define model``class NeuralNetwork(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()`        `)``   `    `def forward(self, x):`        `x = self.flatten(x)`        `logits = self.linear_relu_stack(x)`        `return logits``   ``model = NeuralNetwork().to(device)``   ``# 损失函数和优化器``loss_fn = nn.CrossEntropyLoss()``optimizer = torch.optim.SGD(model.parameters(), lr=1e-3)``   ``# 模型训练``def train(dataloader, model, loss_fn, optimizer):`    `size = len(dataloader.dataset)`    `for batch, (X, y) in enumerate(dataloader):`        `X, y = X.to(device), y.to(device)``   `        `# Compute prediction error`        `pred = model(X)`        `loss = loss_fn(pred, y)``   `        `# Backpropagation`        `optimizer.zero_grad()`        `loss.backward()`        `optimizer.step()``   `        `if batch % 100 == 0:`            `loss, current = loss.item(), batch * len(X)`            `print(f"loss: {loss:>7f}  [{current:>5d}/{size:>5d}]")

**22、Theano
**

Theano 是一个 Python 库，它允许定义、优化和有效地计算涉及多维数组的数学表达式，建在 NumPy 之上。在 Theano 中实现计算雅可比矩阵：

import theano``import theano.tensor as T``x = T.dvector('x')``y = x ** 2``J, updates = theano.scan(lambda i, 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、Keras
**

Keras 是一个用 Python 编写的高级神经网络 API，它能够以 TensorFlow, CNTK, 或者 Theano 作为后端运行。Keras 的开发重点是支持快速的实验，能够以最小的时延把想法转换为实验结果。

`from keras.models import Sequential``from keras.layers import Dense``   ``# 模型构建``model = Sequential()``model.add(Dense(units=64, activation='relu', input_dim=100))``model.add(Dense(units=10, activation='softmax'))``   ``# 模型编译与训练``model.compile(loss='categorical_crossentropy',`              `optimizer='sgd',`              `metrics=['accuracy'])``model.fit(x_train, y_train, epochs=5, batch_size=32)`         

**24、Caffe
**

在 Caffe2 官方网站上，这样说道：Caffe2 现在是 PyTorch 的一部分。虽然这些 api 将继续工作，但鼓励使用 PyTorch api。

**25、MXNet
**

MXNet 是一款设计为效率和灵活性的深度学习框架。它允许混合符号编程和命令式编程，从而最大限度提高效率和生产力。使用 MXNet 构建手写数字识别模型：

import mxnet as mx``from mxnet import gluon``from mxnet.gluon import nn``from mxnet import autograd as ag``import mxnet.ndarray as F``   ``# 数据加载``mnist = mx.test_utils.get_mnist()``batch_size = 100``train_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``class Net(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)``   `    `def forward(self, x):`        `x = self.pool1(F.tanh(self.conv1(x)))`        `x = self.pool2(F.tanh(self.conv2(x)))`        `# 0 means copy over size from corresponding dimension.`        `# -1 means infer size from the rest of dimensions.`        `x = x.reshape((0, -1))`        `x = F.tanh(self.fc1(x))`        `x = F.tanh(self.fc2(x))`        `return x``net = Net()``# 初始化与优化器定义``# set the context on GPU is available otherwise CPU``ctx = [mx.gpu() if mx.test_utils.list_gpus() else mx.cpu()]``net.initialize(mx.init.Xavier(magnitude=2.24), ctx=ctx)``trainer = gluon.Trainer(net.collect_params(), 'sgd', {'learning_rate': 0.03})``   ``# 模型训练``# Use Accuracy as the evaluation metric.``metric = mx.metric.Accuracy()``softmax_cross_entropy_loss = gluon.loss.SoftmaxCrossEntropyLoss()``   ``for i in range(epoch):`    `# Reset the train data iterator.`    `train_data.reset()`    `for batch in train_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 = []`        `# Inside training scope`        `with ag.record():`            `for x, y in zip(data, label):`                `z = net(x)`                `# Computes softmax cross entropy loss.`                `loss = softmax_cross_entropy_loss(z, y)`                `# Backpropogate the error for one iteration.`                `loss.backward()`                `outputs.append(z)`        `metric.update(label, outputs)`        `trainer.step(batch.data[0].shape[0])`    `# Gets the evaluation result.`    `name, acc = metric.get()`    `# Reset evaluation result to initial state.`    `metric.reset()`    `print('training acc at epoch %d: %s=%f'%(i, name, acc))

**26、PaddlePaddle
**

飞桨 (PaddlePaddle) 以百度多年的深度学习技术研究和业务应用为基础，集深度学习核心训练和推理框架、基础模型库、端到端开发套件、丰富的工具组件于一体。是中国首个自主研发、功能完备、开源开放的产业级深度学习平台。使用 PaddlePaddle 实现 LeNtet5：

# 导入需要的包``import paddle``import numpy as np``from paddle.nn import Conv2D, MaxPool2D, Linear``   ``## 组网``import paddle.nn.functional as F``   ``# 定义 LeNet 网络结构``class LeNet(paddle.nn.Layer):`    `def __init__(self, num_classes=1):`        `super(LeNet, self).__init__()`        `# 创建卷积和池化层`        `# 创建第1个卷积层`        `self.conv1 = Conv2D(in_channels=1, out_channels=6, kernel_size=5)`        `self.max_pool1 = MaxPool2D(kernel_size=2, stride=2)`        `# 尺寸的逻辑：池化层未改变通道数；当前通道数为6`        `# 创建第2个卷积层`        `self.conv2 = Conv2D(in_channels=6, out_channels=16, kernel_size=5)`        `self.max_pool2 = MaxPool2D(kernel_size=2, stride=2)`        `# 创建第3个卷积层`        `self.conv3 = Conv2D(in_channels=16, out_channels=120, kernel_size=4)`        `# 尺寸的逻辑：输入层将数据拉平[B,C,H,W] -> [B,C*H*W]`        `# 输入size是[28,28]，经过三次卷积和两次池化之后，C*H*W等于120`        `self.fc1 = Linear(in_features=120, out_features=64)`        `# 创建全连接层，第一个全连接层的输出神经元个数为64， 第二个全连接层输出神经元个数为分类标签的类别数`        `self.fc2 = Linear(in_features=64, out_features=num_classes)`    `# 网络的前向计算过程`    `def forward(self, x):`        `x = self.conv1(x)`        `# 每个卷积层使用Sigmoid激活函数，后面跟着一个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)`        `# 尺寸的逻辑：输入层将数据拉平[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)`        `return x

**27、CNTK
**

CNTK(Cognitive Toolkit) 是一个深度学习工具包，通过有向图将神经网络描述为一系列计算步骤。在这个有向图中，叶节点表示输入值或网络参数，而其他节点表示对其输入的矩阵运算。CNTK 可以轻松地实现和组合流行的模型类型，如 CNN 等。CNTK 用网络描述语言 (network description language, NDL) 描述一个神经网络。简单的说，要描述输入的 feature，输入的 label，一些参数，参数和输入之间的计算关系，以及目标节点是什么。

以上就是“27 个Python数据科学库实战案例 (附代码)”的全部内容，希望对你有所帮助。
​
​关于Python技术储备

学好 Python 不论是就业还是做副业赚钱都不错，但要学会 Python 还是要有一个学习规划。最后大家分享一份全套的 Python 学习资料，给那些想学习 Python 的小伙伴们一点帮助！

一、Python所有方向的学习路线

Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

二、Python必备开发工具

三、Python视频合集

观看零基础学习视频，看视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。

四、实战案例

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

五、Python练习题

检查学习结果。

六、面试资料

我们学习Python必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。

最后祝大家天天进步！！

上面这份完整版的Python全套学习资料已经上传至CSDN官方，朋友如果需要可以直接微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】。