一些做机器学习过程中使用到的Python库，基于Python3.6，放在这里共同交流！

一、 numpy: 这个库的重要性不用说了，是整个Python机器学习和深度学习的基础库。另外这个库的函数主要用C实现，所以效率比较高，用来进行科学计算也是完全OK。主要提供一些数学公式，包括最小二乘、高斯函数、SVD等，同时numpy为我们封装了nparray这样一种数据结构，其实类似于C中的数组，元素长度固定且一致，这样就允许按照下表对元素进行查询；

  1. dot：矩阵相乘函数，效率远高于循环；
  2. mean(a, axis, dtype, out，keepdims)：求取均值函数，a:需要求取参数的矩阵，axis:求矩阵均值的模式
    axis 不设置值，对 mn 个数求均值，返回一个实数
    axis = 0：压缩行，对各列求均值，返回 1     n 矩阵
    axis =1 ：压缩列，对各行求均值，返回 m *1 矩阵
    官方文档
  3. multiply：数组和矩阵对应位置相乘，输出与相乘数组/矩阵的大小一致。比如A, B为数组，MA, MB为矩阵，
    则multiply(MA, MB)返回矩阵对应位置的乘积。
  4. power(x, y)：求幂指数，和C语言pow函数用法一样, 这里返回x的y次方
  5. round( x, n) ：返回x保留n位小数后四舍五入的结果，其中n可省略，默认为0，用法与around函数一致

二、 pandas: 主要提供与表格（Excel /csv /tsv）相关的函数，DataFrame(单列表格) / Series(单列表格);

三、 scipy: 提供一些更高级和复杂的数学函数，如Gamma(伽马函数)；

四、 matplotlib.pyplot: 提供图形绘制，主要是二维图表，语法与MATLAB类似；

1. rcParams[]：[‘font.sans-serif’] = ‘SimHei’ # 设置字体
 [‘axes.unicode_minus’] = ‘False’ # 设置字符是否显示
 [‘line.linestyle’] = ‘-’ # 线条样式
 [‘line.color’] = ‘blue’ # 线条颜色
 [‘xtick.labsize’] # 横轴字体大小
 [‘ytick.labsize’] # 纵轴字体大小
 [‘figure.figsize’] # 图片显示大小
 [’figure.dpi’] # 图片分辨率

五、 scikit-learn: 机器学习库，提供了大量机器学习相关的函数；

六、 Tensorflow: Google推出的深度学习平台，有时也会使用Keras库去写基于TensorFlow平台的代码；

1. constant:生成常数
原型： tf.constant(value=[1,2],dtype=tf.float32,shape=(1,2),name=‘testconst’, verify_shape=False)
参数说明：
value：初始值，必填，必须是一个张量（1或[1,2,3]或[[1,2,3],[2,2,3]]或…）
dtype：数据类型，选填，默认为value的数据类型，传入参数为tensorflow下的枚举值（float32，float64…）
shape：数据形状，选填，默认为value的shape，设置时不得比value小，可以比value阶数、维度更高，超过 部分按value提供最后一个数字填充
name：常量名，选填，默认值不重复，根据创建顺序为（Const，Const_1，Const_2…）
verify_shape:是否验证value的shape和指定shape相符，若设为True则进行验证，不相符时会抛出异常

import tensorflow as tf
sess = tf.InteractiveSession()
cons1 = tf.constant([1, 2, 3], shape=[2, 3])
print(sess.run(cons1))

打印结果：

[[1 2 3]
  [3 3 3]]

2. matmul：矩阵相乘（完全遵循矩阵乘法，注意multiply是对应元素相乘，二者不一样）
原型：tf.matmul(a, b, transpose_a=False, transpose_b=False, adjoint_a=False, adjoint_b=False, a_is_sparse=False, b_is_sparse=False, name=None)
参数:
a: 一个类型为 float16, float32, float64, int32, complex64, complex128 且张量秩 > 1 的张量。
b: 一个类型跟张量a相同的张量。
transpose_a: 如果为真, a则在进行乘法计算前进行转置。
transpose_b: 如果为真, b则在进行乘法计算前进行转置。
adjoint_a: 如果为真, a则在进行乘法计算前进行共轭和转置。
adjoint_b: 如果为真, b则在进行乘法计算前进行共轭和转置。
a_is_sparse: 如果为真, a会被处理为稀疏矩阵。
b_is_sparse: 如果为真, b会被处理为稀疏矩阵。
name: 操作的名字（可选参数）