幾款超實(shí)用的 Python 庫，助力你的開發(fā)之旅！
推薦幾款超實(shí)用的Python庫，無論你是想實(shí)現(xiàn)數(shù)據(jù)可視化、還是進(jìn)行機(jī)器學(xué)習(xí)&深度學(xué)習(xí)，這些神奇的庫都能幫助你事半功倍。
一、數(shù)據(jù)可視化相關(guān)庫
1. yellowbrick
https://www.scikit-yb.org/en/latest/
yellowbrick是Scikit-Learn的強(qiáng)力擴(kuò)展?？焖俚剡x擇機(jī)器學(xué)習(xí)模型，還能輕松地進(jìn)行調(diào)參，在數(shù)據(jù)可視化和模型選擇調(diào)參的道路上一路暢行。
2. nn_vis
https://github.com/julrog/nn_vis
nn_vis主要是用來處理神經(jīng)網(wǎng)絡(luò)和進(jìn)行渲染。對(duì)那些看起來雜亂無章的表示形式，深入地了解模型的體系結(jié)構(gòu)和各種參數(shù)，就仿佛擁有了一雙能看穿復(fù)雜網(wǎng)絡(luò)的“透視眼”，
3. PyGWalker
https://github.com/Kanaries/pygwalker
PyGWalker在Jupyter Notebook環(huán)境中運(yùn)行的可視化探索式分析工具。簡(jiǎn)簡(jiǎn)單單的一條命令，就能給咱們生成一個(gè)可以交互的圖形界面。能讓我們以類似Tableau/PowerBI的那種超方便的方式，通過拖拽字段就能輕輕松松地進(jìn)行數(shù)據(jù)分析。
二、深度學(xué)習(xí)相關(guān)庫
1. PyTea
https://github.com/ropas/pytea
PyTea可以自動(dòng)檢測(cè)PyTorch項(xiàng)目中的張量Shape錯(cuò)誤。給PyTorch項(xiàng)目安排了一個(gè)細(xì)心的“檢查員”，能及時(shí)發(fā)現(xiàn)那些容易被我們忽略的小錯(cuò)誤，讓我們的項(xiàng)目運(yùn)行得更加順暢。
2. pytorch-OpCounter
https://github.com/Lyken17/pytorch-OpCounter
不僅僅統(tǒng)計(jì)各種模型結(jié)構(gòu)的參數(shù)以及FLOPS，它還能為那些特殊的運(yùn)算定制化統(tǒng)計(jì)規(guī)則。在處理深度學(xué)習(xí)模型的相關(guān)運(yùn)算統(tǒng)計(jì)時(shí)，就更加得心應(yīng)手。
三、機(jī)器學(xué)習(xí)相關(guān)庫
1. AutoGL
https://github.com/THUMNLab/AutoGL
AutoGL可以輕松又快速地對(duì)圖數(shù)據(jù)集和任務(wù)進(jìn)行自動(dòng)化機(jī)器學(xué)習(xí)。能根據(jù)任務(wù)目標(biāo)自動(dòng)地幫我們實(shí)現(xiàn)模型構(gòu)建、篩選技術(shù)，就像給我們畫好了一張清晰的“作戰(zhàn)地圖”，讓我們?cè)谔幚韴D數(shù)據(jù)集和相關(guān)任務(wù)時(shí)更有方向。
2. shap
SHAP（SHapley Additive exPlanations）一種博弈論方法，用來解釋任何機(jī)器學(xué)習(xí)模型的輸出。為了搞清楚單個(gè)特征是怎么影響模型的輸出，可以繪制該特征的SHAP值與數(shù)據(jù)集中所有示例的特征值的關(guān)系。要是想知道哪些特征對(duì)模型最重要，那就可以繪制每個(gè)樣本的每個(gè)特征的SHAP值，這樣就能讓我們對(duì)模型的理解更加透徹。
怎么樣，這些Python庫是不是都很實(shí)用？希望大家在自己的開發(fā)項(xiàng)目中能好好利用它們，讓我們的Python之旅更加精彩！
