入门机器学习和人工智能并非易事。由于如今有大量可用的资源，许多机器学习爱好者发现很难找到正确的方向。想要在这个领域不断发展，我们就必须跟上其快速发展的步伐。为了应对机器学习领域势不可挡的演变和创新速度，了解并紧跟该领域最新进展的一个好方法是：作为一个开源社区贡献者，参与到这些开源项目和工具的开发中去。今天，我们将讨论关于Python、机器学习和AI的Top10开源项目。
1. TensorFlow：
TensorFlow是一个开源软件库，它使用数据流图进行数值计算。节点表示图中的数学运算，而图边表示在它们之间流动的多维数据数组（张量）。这种灵活的架构允许其用户部署计算，而无需将代码重写到个人电脑、服务器或移动设备中的一个或多个CPU或GPU。 TensorFlow还包含一个名为TensorBoard的数据可视化工具包。
GitHub：Tensorflow
2. Scikit-learn：
用于机器学习的Scikit-learn是Python中的一个模块，已经构建在SciPy的顶层。该项目于2007年作为David Cournapeau的Google Summer of Code项目启动。自此，有许多人参与其中，它目前由一个志愿者团队维护。
GitHub：Scikit-Learn
3. Keras：
用Python编写的Keras是一个高级神经网络API，可以在TensorFlow或Theano上运行。它的开发始终致力于实现快速实验。
如果您需要一个深度学习库，则可以使用Keras：
- 通过用户友好性、模块化和可扩展性，可以实现简单快速的原型设计。
- 支持卷积神经网络、递归神经网络以及两者的组合。
- 无缝运行在CPU和GPU上。
GitHub：Keras
4. PyTorch：
PyTorch是Python中的一个软件包，它为用户提供以下功能：
- 凭借强劲的GPU加速，计算张量
- 在基于磁带的autograd系统上构建深度神经网络
Python包（如NumPy，SciPy和Cython）可以在需要时重复使用以扩展PyTorch。
GitHub：PyTorch
5. Theano：
Theano是一个用Python编写的库，它允许用户定义、优化和评估数学表达式，这些数学表达式高效地涉及到多维的数组。它可以使用GPU来执行高效的符号区分。
GitHub：Theano
6. Gensim：
Gensim是Python中的一个库，用于文档索引主题建模和大型语料库的相似性检索。目标受众是信息检索（IR）和自然语言处理（NLP）社区。
特征：
- 直观的接口
- 易于插入自己的输入语料库/数据流（简单流媒体API）
- 易于使用其他矢量空间算法（简单转换API）
- 算法的高效多核实现非常流行，如潜在狄利克雷分配（LDA），随机投影（RP）等等。
- 分布式计算：在一组计算机上，有能力运行潜在语义分析和潜在狄利克雷分配。
GitHub：Gensim
7. Caffe：
Caffe是一个深入的学习框架，牢记表达，速度以及模块化。该框架由伯克利人工智能研究（BAIR）、伯克利视觉和学习中心（BVLC）以及社区贡献者开发。
GitHub：Caffe
8. Chainer：
Chainer是一个基于Python的深度学习框架框架，旨在提高灵活性。它基于逐个定义的方法（也称为动态计算图）提供自动区分API以及面向对象的高级API来构建以及训练神经网络。
它使用CuPy还支持CUDA / cuDNN进行高性能培训和推理。
GitHub：Chainer
9. Statsmodels：
Statsmodels是Python中的一个软件包，用于统计计算，为用户提供对Scipy的补充，包括描述性统计、估计以及统计模型的推断。
GitHub：Statsmodel
10.Shogun：
Shogun是机器学习工具箱，它为用户提供了广泛的统一以及高效的机器学习（ML）方法。该工具箱允许多个数据表示、算法类以及通用工具无缝组合。
Github：Shogun
閱讀更多 X競技場 的文章
