今天这篇我们介绍下Python中常用的机器学习库(机器学习、深度学习啥的，小编还是建议使用Python进行建模编写哈)，也算是本公号机器学习的第一篇推文，主要内容如下：

• 机器学习常用四大Python库
• 关于机器学习的我想说的话

深度学习常用四大Python库

这一部分我们简单介绍下Python中的常用的机器学习库，算是比较入门的介绍哈，具体包括Scikit-learn、Keras、TensorFlow和PyTorch，下面我们就一一简单介绍：

Scikit-learn

1. 「官网」

网址：https://scikit-learn.org/stable/

1. 「简单介绍」

Scikit-learn(sklearn)是机器学习中常用的第三方模块，其对常用的机器学习方法进行了封装，具体包括回归(Regression)、降维(Dimensionality Reduction)、分类(Classfication)、聚类(Clustering)等方法。主要特点：

• 简单高效的数据挖掘和数据分析工具
• 够在复杂环境中重复使用
• 建立NumPy、Scipy、MatPlotLib之上

1. 「官方样例及示图」

• Classification(分类)

Classification

• Regression(回归)

Regression

• Clustering(聚类)

Clustering

更多内容，小伙伴们可参考上方官网哈

Keras

这个库也是小编较常使用的深度学习库，其高度集成式可帮助你快速搭建深度学习网络。值得一提的是，官方也提供了对应的中文网站哦，帮助大家更好的理解。

1. 「官网」

网址：https://keras.io/zh/

1. 「简单介绍」

Keras是一个由Python编写的开源人工神经网络库，在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。特点如下：

• 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，
• 可通过封装参与构建统计学习模型。
• 支持多操作系统下的多GPU并行计算。

1. 「官方样例及示图」

• 基于多层感知器 (MLP) 的 softmax 多分类：

import keras
from keras.models import Sequential
from keras.layers import Dense, Dropout, Activation
from keras.optimizers import SGD
# 生成虚拟数据
import numpy as np
x_train = np.random.random((1000, 20))
y_train = keras.utils.to_categorical(np.random.randint(10, size=(1000, 1)), num_classes=10)
x_test = np.random.random((100, 20))
y_test = keras.utils.to_categorical(np.random.randint(10, size=(100, 1)), num_classes=10)
model = Sequential()
# Dense(64) 是一个具有 64 个隐藏神经元的全连接层。
# 在第一层必须指定所期望的输入数据尺寸：
# 在这里，是一个 20 维的向量。
model.add(Dense(64, activation='relu', input_dim=20))
model.add(Dropout(0.5))
model.add(Dense(64, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(10, activation='softmax'))
sgd = SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True)
model.compile(loss='categorical_crossentropy',
              optimizer=sgd,
              metrics=['accuracy'])
model.fit(x_train, y_train,
          epochs=20,
          batch_size=128)
score = model.evaluate(x_test, y_test, batch_size=128)

• 基于多层感知器的二分类

import numpy as np
from keras.models import Sequential
from keras.layers import Dense, Dropout
# 生成虚拟数据
x_train = np.random.random((1000, 20))
y_train = np.random.randint(2, size=(1000, 1))
x_test = np.random.random((100, 20))
y_test = np.random.randint(2, size=(100, 1))
model = Sequential()
model.add(Dense(64, input_dim=20, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(64, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(1, activation='sigmoid'))
model.compile(loss='binary_crossentropy',
              optimizer='rmsprop',
              metrics=['accuracy'])
model.fit(x_train, y_train,
          epochs=20,
          batch_size=128)
score = model.evaluate(x_test, y_test, batch_size=128)

• 基于 LSTM 的序列分类

from keras.models import Sequential
from keras.layers import Dense, Dropout
from keras.layers import Embedding
from keras.layers import LSTM
max_features = 1024
model = Sequential()
model.add(Embedding(max_features, output_dim=256))
model.add(LSTM(128))
model.add(Dropout(0.5))
model.add(Dense(1, activation='sigmoid'))
model.compile(loss='binary_crossentropy',
              optimizer='rmsprop',