2020 年の機械学習向け Python ライブラリ トップ 6!

[[328842]]

【51CTO.com クイック翻訳】

世の中にはさまざまな種類の Python ライブラリが存在しますが、この記事では人気のある機械学習ライブラリのいくつかを紹介します。

1. 数値Py:

NumPy は汎用配列処理パッケージです。高性能な多次元配列オブジェクトと、これらの配列を操作するためのツールを提供します。これは科学計算に必須の Python パッケージです。

NumPy は、最適化されていないバイトコード インタープリタである Python の CPython リファレンス実装を対象としています。

NumPy のコア機能は、n 次元配列データ構造を表す「ndarray」です。これらの配列はメモリ内でインターリーブされたビューです。 Python の組み込みリスト データ構造とは対照的に、これらの配列は均一に型付けされています。つまり、単一の配列のすべての要素は同じ型である必要があります。

2. スクリプト:

SciPy は、科学技術計算用の無料のオープンソース Python ライブラリです。

最適化、線形代数、積分、補間、特殊関数、FFT、信号および画像処理、ODE ソルバー、および科学と工学におけるその他の一般的なタスク用のモジュールが含まれています。

NumPy スタックは SciPy スタックと呼ばれることもあります。 SciPy で使用される基本的なデータ構造は、NumPy モジュールによって提供される多次元配列です。 NumPy は線形代数、フーリエ変換、乱数生成のためのいくつかの関数を提供しますが、SciPy の同等の関数ほどの汎用性はありません。

3. scikit-learn:

Scikit-learn (sklearn とも呼ばれる) は、Python プログラミング言語用の無料ソフトウェア機械学習ライブラリです。

サポートベクターマシン、ランダムフォレスト、勾配ブースティング、k-means、DBSCAN などのさまざまな分類、回帰、クラスタリング アルゴリズムを備えており、Python 数値ライブラリ NumPy および科学ライブラリ SciPy と連携して動作するように設計されています。

Scikit-learn プロジェクトは、David Cournapeau が開発した Google Summer of Code プロジェクト「SciKit」(SciPy Toolkit) から生まれました。

これは GitHub で最も人気のある機械学習ライブラリの 1 つです。

これは主に Python で書かれており、高性能な線形代数と配列演算のために NumPy を広範に使用します。

4. テンソルフロー:

TensorFlow は、さまざまなタスクのデータフローと微分可能プログラミングのための無料のオープンソース ソフトウェア ライブラリです。

TensorFlow は Google Brain の第 2 世代システムです。リファレンス実装は単一のデバイス上で実行されますが、TensorFlow は複数の CPU および GPU 上で実行できます。 TensorFlow は、64 ビット Linux、macOS、Windows、および Android や iOS を含むモバイル コンピューティング プラットフォームで利用できます。

Tensor Processing Unit (TPU): 2016 年 5 月、Google は、機械学習専用に構築され、TensorFlow 向けにカスタマイズされた特定用途向け集積回路である Tensor Processing Unit を発表しました。 TPU は、低精度の算術演算の高スループットを提供するように設計されたプログラム可能な AI アクセラレータであり、モデルのトレーニングではなく、モデルの使用または実行に重点を置いています。

5. パイトーチ:

PyTorch は、コンピューター ビジョンや自然言語処理などのアプリケーション向けの Torch ライブラリに基づくオープン ソースの機械学習ライブラリであり、主に Facebook の AI 研究ラボによって開発されています。

主に開発に重点を置いた、より完全な Python インターフェースを備えており、C++ インターフェースも備えています。

Uber の Pyro、HuggingFace の Transformers、Catalyst など、いくつかのディープラーニング ソフトウェアが PyTorch 上に構築されています。

GPU による強力なアクセラレーションを備えたテンソル計算と、テープベースの自動微分化システム上に構築されたディープ ニューラル ネットワーク (DNN) という 2 つの高度な機能を提供します。

これは、異種の多次元の数値の長方形配列を格納および操作するための Tensor と呼ばれるクラスを定義します。 PyTorch テンソルは NumPy 配列に似ていますが、CUDA 対応の NVIDIA GPU でも処理できます。

6. ケラス:

Keras は、Python で書かれたオープンソースのニューラル ネットワーク ライブラリです。 TensorFlow、Microsoft Cognitive Toolkit、R、Theano、PlaidML で実行できます。

Keras は、使いやすく、モジュール化され、拡張可能であることを目指しています。

François Chollet 氏 (Google エンジニア兼 Keras メンテナー) は、Keras はスタンドアロンの機械学習フレームワークではなくインターフェースであるとみなされていると説明しました。より高レベルで直感的な抽象化セットを提供し、ユーザーは使用する計算バックエンドに関係なく、ディープラーニング モデルを簡単に開発できます。

Keras は、レイヤー、目的、アクティベーション関数、オプティマイザー、および画像やテキスト データの処理を容易にする多くのツールなど、一般的なニューラル ネットワーク ビルディング ブロックの実装を多数組み込むことで、ディープ ニューラル ネットワーク コードの記述に必要なプログラミングを簡素化します。

Keras は畳み込みニューラル ネットワークと再帰型ニューラル ネットワークの両方をサポートしています。ドロップアウト、バッチ正規化、プーリングなどの他の一般的なユーティリティ レイヤーもサポートしています。 Keras を使用すると、ユーザーはスマートフォン、Web、または Java 仮想マシン上でディープ モデルを使用できます。

2018 年半ばの時点で、Keras は 250,000 人を超える個人ユーザーを抱えていると主張しており、KDnuggets 2018 ソフトウェア調査では 22% の使用率で 10 番目に多く引用されたツールでした。

参考文献:

https://en.wikipedia.org/wiki/NumPy

https://en.wikipedia.org/wiki/Scikit-learn

https://en.wikipedia.org/wiki/PyTorch

https://en.wikipedia.org/wiki/Keras

https://en.wikipedia.org/wiki/TensorFlow

https://en.wikipedia.org/wiki/SciPy

原題: 2020 年の機械学習に最適な Python ライブラリ — トップ 6、著者: Madhav Mishra

[51CTOによる翻訳。パートナーサイトに転載する場合は、元の翻訳者と出典を51CTO.comとして明記してください]