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。

打个小广告——分享一份Python学习大礼包（激活码+安装包、Python web开发，Python爬虫，Python数据分析，人工智能、自动化办公等学习教程）点击领取，100%免费！
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))  

关于Python技能储备！

如果你是准备学习Python或者正在学习（想通过Python兼职），下面这些你应该能用得上：
【点击这里】领取！
包括：激活码+安装包、Python web开发，Python爬虫，Python数据分析，人工智能、自动化办公等学习教程。带你从零基础系统性的学好Python！
① Python所有方向的学习路线图，清楚各个方向要学什么东西
② 100多节Python课程视频，涵盖必备基础、爬虫和数据分析
③ 100多个Python实战案例，学习不再是只会理论
④ 华为出品独家Python漫画教程，手机也能学习
⑤ 历年互联网企业Python面试真题,复习时非常方便****

以上就是本次分享的全部内容。我们下期见~