推薦幾款超實(shí)用的Python庫，無論你是想實(shí)現(xiàn)數(shù)據(jù)可視化、還是進(jìn)行機(jī)器學(xué)習(xí)&深度學(xué)習(xí)，這些神奇的庫都能幫助你事半功倍。

一、數(shù)據(jù)可視化相關(guān)庫

1. yellowbrick

https://www.scikit-yb.org/en/latest/

yellowbrick是Scikit-Learn的強(qiáng)力擴(kuò)展?？焖俚剡x擇機(jī)器學(xué)習(xí)模型，還能輕松地進(jìn)行調(diào)參，在數(shù)據(jù)可視化和模型選擇調(diào)參的道路上一路暢行。

2. nn_vis

https://github.com/julrog/nn_vis

nn_vis主要是用來處理神經(jīng)網(wǎng)絡(luò)和進(jìn)行渲染。對那些看起來雜亂無章的表示形式，深入地了解模型的體系結(jié)構(gòu)和各種參數(shù)，就仿佛擁有了一雙能看穿復(fù)雜網(wǎng)絡(luò)的“透視眼”，

3. PyGWalker

https://github.com/Kanaries/pygwalker

PyGWalker在Jupyter Notebook環(huán)境中運(yùn)行的可視化探索式分析工具。簡簡單單的一條命令，就能給咱們生成一個可以交互的圖形界面。能讓我們以類似Tableau/PowerBI的那種超方便的方式，通過拖拽字段就能輕輕松松地進(jìn)行數(shù)據(jù)分析。

二、深度學(xué)習(xí)相關(guān)庫

1. PyTea

https://github.com/ropas/pytea

PyTea可以自動檢測PyTorch項(xiàng)目中的張量Shape錯誤。給PyTorch項(xiàng)目安排了一個細(xì)心的“檢查員”，能及時發(fā)現(xiàn)那些容易被我們忽略的小錯誤，讓我們的項(xiàng)目運(yùn)行得更加順暢。

2. pytorch-OpCounter

https://github.com/Lyken17/pytorch-OpCounter

不僅僅統(tǒng)計(jì)各種模型結(jié)構(gòu)的參數(shù)以及FLOPS，它還能為那些特殊的運(yùn)算定制化統(tǒng)計(jì)規(guī)則。在處理深度學(xué)習(xí)模型的相關(guān)運(yùn)算統(tǒng)計(jì)時，就更加得心應(yīng)手。

三、機(jī)器學(xué)習(xí)相關(guān)庫

1. AutoGL

https://github.com/THUMNLab/AutoGL

AutoGL可以輕松又快速地對圖數(shù)據(jù)集和任務(wù)進(jìn)行自動化機(jī)器學(xué)習(xí)。能根據(jù)任務(wù)目標(biāo)自動地幫我們實(shí)現(xiàn)模型構(gòu)建、篩選技術(shù)，就像給我們畫好了一張清晰的“作戰(zhàn)地圖”，讓我們在處理圖數(shù)據(jù)集和相關(guān)任務(wù)時更有方向。

2. shap

https://github.com/shap/shap

SHAP（SHapley Additive exPlanations）一種博弈論方法，用來解釋任何機(jī)器學(xué)習(xí)模型的輸出。為了搞清楚單個特征是怎么影響模型的輸出，可以繪制該特征的SHAP值與數(shù)據(jù)集中所有示例的特征值的關(guān)系。要是想知道哪些特征對模型最重要，那就可以繪制每個樣本的每個特征的SHAP值，這樣就能讓我們對模型的理解更加透徹。

怎么樣，這些Python庫是不是都很實(shí)用？希望大家在自己的開發(fā)項(xiàng)目中能好好利用它們，讓我們的Python之旅更加精彩！