吐血整理！绝不能错过的24个Python库(4)

使用TensorFlow从阅读这些文章开始：

• 《TensorFlow 101:理解张量和图像以便开始深入学习》传送门：https://www.analyticsvidhya.com/blog/2017/03/tensorflow-understanding-tensors-and-graphs/
• 《开始使用Keras和TensorFlow在R中进行深度学习》传送门：https://www.analyticsvidhya.com/blog/2017/06/getting-started-with-deep-learning-using-keras-in-r/

13. PyTorch

传送门：https://pytorch.org/

什么是PyTorch?其实，这是一个基于Python的科学计算包，其功能如下：

• NumPy的替代品，可使用GPU的强大功能
• 深度学习研究型平台，拥有最大灵活性和最快速度

安装指南传送门：https://pytorch.org/get-started/locally/

PyTorch提供以下功能：

• 混合前端
• 工具和库：由研发人员组成的活跃社区已经建立了一个丰富的工具和库的生态系统，用于扩展PyTorch并支持计算机视觉和强化学习等领域的开发
• 云支持：PyTorch支持在主要的云平台上运行，通过预构建的映像、对GPU的大规模训练、以及在生产规模环境中运行模型的能力等，可提供无摩擦的开发和轻松拓展

以下是两篇有关PyTorch的十分详细且易于理解的文章：

• 《PyTorch简介——一个简单但功能强大的深度学习库》传送门：https://www.analyticsvidhya.com/blog/2018/02/pytorch-tutorial/
• 《开始使用PyTorch——学习如何建立快速和准确的神经网络(以4个案例研究为例)》传送门：https://www.analyticsvidhya.com/blog/2019/01/guide-pytorch-neural-networks-case-studies/

用于数据解释性的Python库

你真的了解模型如何工作吗?能解释模型为什么能够得出结果吗?这些是每个数据科学家都能够回答的问题。构建黑盒模型在业界毫无用处。

所以，上文中已经提到的两个Python库可以帮助解释模型的性能。

14. LIME

传送门：https://github.com/marcotcr/lime

LIME是一种算法(库)，可以解释任何分类器或回归量的预测。LIME是如何做到的呢?通过可解释的模型在局部不断接近预测值，这个模型解释器可用于生成任何分类算法的解释。

安装LIME很简单：

pip install lime 

下文将从总体上帮助开发LIME背后的直觉和模型可解释性：

《在机器学习模型中建立信任(在Python中使用LIME)》传送门：

https://www.analyticsvidhya.com/blog/2017/06/building-trust-in-machine-learning-models/

15. H2O

传送门：https://github.com/h2oai/mli-resources

相信很多人都听说过H2O.ai，自动化机器学习的市场领导者。但是你知道其在Python中也有一个模型可解释性库吗?

H2O的无人驾驶AI，提供简单的数据可视化技术，用于表示高度特征交互和非线性模型行为，通过可视化提供机器学习可解释性(MLI)，说明建模结果和模型中特征的影响。

通过下文，阅读有关H2O的无人驾驶AI执行MLI的更多信息。

《机器学习可解释性》传送门：

https://www.h2o.ai/wp-content/uploads/2018/01/Machine-Learning-Interpretability-MLI_datasheet_v4-1.pdf

用于音频处理的Python库

音频处理或音频分析是指从音频信号中提取信息和含义以进行分析、分类或任何其他任务。这正在成为深度学习中的一种流行功能，所以要留意这一点。

16. LibROSA

传送门：https://librosa.github.io/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需的构建块。

安装指南传送门：https://librosa.github.io/librosa/install.html

这是一篇关于音频处理及其工作原理的深度文章：

《利用深度学习开始音频数据分析(含案例研究)》传送门：

https://www.analyticsvidhya.com/blog/2017/08/audio-voice-processing-deep-learning/

17. Madmom

传送门：https://github.com/CPJKU/madmom

Madmom是一个用于音频数据分析的很棒的Python库。它是一个用Python编写的音频信号处理库，主要用于音乐信息检索(MIR)任务。

以下是安装Madmom的必备条件：

• NumPy
• SciPy
• Cython
• Mido

以下软件包用于测试安装：

• PyTest
• Fyaudio
• PyFftw

安装Madmom的代码：

pip install madmom 

下文可用以了解Madmom如何用于音乐信息检索：

《学习音乐信息检索的音频节拍追踪(使用Python代码)》传送门：

https://www.analyticsvidhya.com/blog/2018/02/audio-beat-tracking-for-music-information-retrieval/

18. pyAudioAnalysis

传送门：https://github.com/tyiannak/pyAudioAnalysis

（编辑：ASP站长网）