Python 支持win32 python 支持gpu型号

Python诞生于1991年，到现在，已经是一个非常热门的语言编程语言了，在 TIOBE编程语言社区9月份最新发布的排行榜上，已经是位列第三。

在一项名义调查中，超过57%的开发人员更愿意使用Python，为何Python会如此热门，那当然是源于Python的动态特性及其开发效率高等性能优势，再加上最近大热的AI人工智能和深度学习技术，促使了Python成为最热门的语言。

在本文中，我们将讨论一些 Python 中的顶级库，开发人员可以使用这些库在现有的应用程序中应用、清洗和表示数据，并进行机器学习研究。

1TensorFlow

• 简介：TensorFlow是一个基于数据流编程的符号数学系统，被广泛应用于各类机器学习算法的编程实现，由谷歌人工智能团队谷歌大脑开发和维护。
• 特点：

1. 快速响应的结构：使用 TensorFlow，我们可以很容易地可视化图的每个部分，这在使用 Numpy 或 SciKit 时是做不到的。
2. 灵活：它的操作非常灵活。这意味着它具有模块性，可以让你把希望独立出来的部分分出来。
3. 容易训练：对于分布式计算来说，它很容易在 CPU 和 GPU 上训练。
4. 并行神经网络训练：TensorFlow 提供了管道流，从这个意义上说，你可以训练多个神经网络和多个 GPU，这使得模型在大型系统上非常有效。

2scikit-learn

• 简介：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，并且旨在与Python数值科学图书馆NumPy和SciPy。它被认为是处理复杂数据的最佳库之一。
• 特点：

1. 交叉验证：有多种方法可以检查不可见数据上受监督模型的准确性。
2. 无监督学习算法：同样，在产品中有大量的算法——从聚类、因子分析、主成分分析到无监督神经网络。
3. 特征提取：用于从图像和文本中提取特征(例如一段文字)。

3PyTorch

• 简介：PyTorch是一个开源的Python机器学习库，基于Torch，用于自然语言处理等应用程序。是一个以Python优先的深度学习框架，不仅能够实现强大的GPU加速，同时还支持动态神经网络，这是很多主流深度学习框架比如Tensorflow等都不支持的。
• 特点：

1. 流动：支持从Python到iOS和Android部署的端到端工作流。它扩展了PyTorchAPI，以涵盖在移动应用程序中集成ML所需的常见预处理和集成任务。
2. 分布式训练：通过利用Python和C++可以访问的集体操作异步执行和对等通信的本地支持，优化研究和生产中的性能。
3. 工具和库：建立了一个丰富的工具和库生态系统，用于扩展PyTorch并支持从计算机视觉到强化学习等领域的开发。

4Keras

• 简介：Keras是一个由Python编写的开源人工神经网络库，代码结构上由面向对象方法编写，完全模块化并具有可扩展性，其运行机制和说明文档有将用户体验和使用难度纳入考虑，并试图简化复杂算法的实现难度 。Keras支持现代人工智能领域的主流算法，包括前馈结构和递归结构的神经网络，也可以通过封装参与构建统计学习模型。
• 特点：

1. 快速迭代：Keras使运行新的实验更容易，它使您能够尝试更多的想法。

Exascale机器学习：建在TensorFmatchlow 2.0，keras是一个行业强度框架，可以扩展到大型GPU集群或整个集群。

先进的研究：Keras具有低级别的灵活性，可以实现任意的研究思想，同时提供可选的高级方便特性，以加快实验周期。

5SparkMLlib

• 简介：spark MLlib 是spark中可以扩展的机器学习库，它有一系列的机器学习算法和实用程序组成。包括分类、回归、聚类、协同过滤等，还包含一些底层优化的方法。
• 特点：

1. 易用性：可以使用任何Hadoop数据源(例如HDFS、HBASE或本地文件)，从而方便地插入Hadoop工作流。
2. 高性能：SMACK擅长迭代计算，使MLlib能够快速运行，包含高质量的算法，可以利用迭代，并能获得比MapReduce中有时使用的一次逼近更好的结果。
3. 范围广：可以运行在Hadoop、ApacheMesos、Kubernetes、独立或云中，针对不同的数据源。

6MXNet

简介：MXNet 是亚马逊选择的深度学习库。它拥有类似于 Theano 和 TensorFlow 的数据流图，为多GPU配置提供了良好的配置，有着类似于 Lasagne 和 Blocks 更高级别的模型构建块，并且可以在你可以想象的任何硬件上运行(包括手机)。

特点：

混合前端：它还允许您通过match调用杂交功能。符号执行提供了更快、更优化的执行以及导出网络以便在Java或C++等不同语言绑定中进行推理的能力。

分布式训练：MXNet允许您充分利用您的硬件，无论是多GPU还是多主机的培训，具有近线性缩放效率。MXNet最近引入了对霍洛沃德，由Uber开发的分布式学习框架。

语言绑定：深入集成Python并支持Scala、Julia、Clojure、Java、C++、R和Perl。结合杂交特性，这使您可以非常顺利地以您选择的语言从Python培训过渡到部署，以缩短生产时间。

7Theano

• 简介：Theano 是一个用于计算多维数组的计算框架机器学习库。它的工作原理与 TensorFlow 相似，但不如 TensorFlow 有效，因为它无法适应生产环境。此外，Theano 也可以在与 TensorFlow 类似的分布式或并行环境中使用。
• 特点：

1. 与 Numpy 紧密集成：能够在无编译函数中使用完整的 Numpy 数组。
2. 高效地使用 GPU：比CPU执行数据密集型计算要快得多。
3. 有效的符号区分：Theano 为具有一个或多个输入的函数求导数。
4. 速度和稳定性优化：即使在 x 非常小的情况下，也能求出 log(1+x)的正确答案。这只是一个可以证明 Theano 稳定性的例子
5. 动态C代码生成：比以前更快地评估表达式，从而大大提高效率。
6. 广泛的单元测试和自验证：检测和诊断模型中多种类型的歧义和错误。

8Pybrain

简介：PyBrain是一个用于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环境提供灵活、易用但仍然强大的算法，以测试和比较的算法。

特点：

结合性强：包含了用于神经网络、强化学习(以及两者的结合)、无监督学习和进化的算法。

实用性：库以神经网络为核心，所有的训练方法都接受神经网络作为训练实例。这使得PyBrain成为现实任务的强大工具。