本篇文章給大家?guī)砹岁P(guān)于python的相關(guān)知識(shí)，其中主要介紹了機(jī)器學(xué)習(xí)、深度學(xué)習(xí)庫總結(jié)，其中包含了大量的實(shí)例，下面一起來看一下，希望對(duì)大家有幫助。

推薦學(xué)習(xí)：python視頻教程

前言

目前，隨著人工智能的大熱，吸引了諸多行業(yè)對(duì)于人工智能的關(guān)注，同時(shí)也迎來了一波又一波的人工智能學(xué)習(xí)的熱潮，雖然人工智能背后的原理并不能通過短短一文給予詳細(xì)介紹，但是像所有學(xué)科一樣，我們并不需要從頭開始”造輪子“，可以通過使用豐富的人工智能框架來快速構(gòu)建人工智能模型，從而入門人工智能的潮流。

人工智能指的是一系列使機(jī)器能夠像人類一樣處理信息的技術(shù)；機(jī)器學(xué)習(xí)是利用計(jì)算機(jī)編程從歷史數(shù)據(jù)中學(xué)習(xí)，對(duì)新數(shù)據(jù)進(jìn)行預(yù)測(cè)的過程；神經(jīng)網(wǎng)絡(luò)是基于生物大腦結(jié)構(gòu)和特征的機(jī)器學(xué)習(xí)的計(jì)算機(jī)模型；深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個(gè)子集，它處理大量的非結(jié)構(gòu)化數(shù)據(jù)，如人類的語音、文本和圖像。因此，這些概念在層次上是相互依存的，人工智能是最廣泛的術(shù)語，而深度學(xué)習(xí)是最具體的：

為了大家能夠?qū)θ斯ぶ悄艹Ｓ玫?Python 庫有一個(gè)初步的了解，以選擇能夠滿足自己需求的庫進(jìn)行學(xué)習(xí)，對(duì)目前較為常見的人工智能庫進(jìn)行簡(jiǎn)要全面的介紹。

python常用機(jī)器學(xué)習(xí)及深度學(xué)習(xí)庫介紹

1、 Numpy

NumPy(Numerical Python)是 Python的一個(gè)擴(kuò)展程序庫，支持大量的維度數(shù)組與矩陣運(yùn)算，此外也針對(duì)數(shù)組運(yùn)算提供大量的數(shù)學(xué)函數(shù)庫，Numpy底層使用C語言編寫，數(shù)組中直接存儲(chǔ)對(duì)象，而不是存儲(chǔ)對(duì)象指針，所以其運(yùn)算效率遠(yuǎn)高于純Python代碼。
我們可以在示例中對(duì)比下純Python與使用Numpy庫在計(jì)算列表sin值的速度對(duì)比：

import numpy as npimport mathimport randomimport time  start = time.time()for i in range(10):     list_1 = list(range(1,10000))     for j in range(len(list_1)):         list_1[j] = math.sin(list_1[j])print("使用純Python用時(shí){}s".format(time.time()-start))start = time.time()for i in range(10):     list_1 = np.array(np.arange(1,10000))     list_1 = np.sin(list_1)print("使用Numpy用時(shí){}s".format(time.time()-start))

從如下運(yùn)行結(jié)果，可以看到使用 Numpy 庫的速度快于純 Python 編寫的代碼：

使用純Python用時(shí)0.017444372177124023s 使用Numpy用時(shí)0.001619577407836914s

2、 OpenCV

OpenCV 是一個(gè)的跨平臺(tái)計(jì)算機(jī)視覺庫，可以運(yùn)行在 Linux、Windows 和 Mac OS 操作系統(tǒng)上。它輕量級(jí)而且高效——由一系列 C 函數(shù)和少量 C++ 類構(gòu)成，同時(shí)也提供了 Python 接口，實(shí)現(xiàn)了圖像處理和計(jì)算機(jī)視覺方面的很多通用算法。
下面代碼嘗試使用一些簡(jiǎn)單的濾鏡，包括圖片的平滑處理、高斯模糊等：

import numpy as npimport cv2 as cvfrom matplotlib import pyplot as plt img = cv.imread('h89817032p0.png')kernel = np.ones((5,5),np.float32)/25dst = cv.filter2D(img,-1,kernel)blur_1 = cv.GaussianBlur(img,(5,5),0)blur_2 = cv.bilateralFilter(img,9,75,75)plt.figure(figsize=(10,10))plt.subplot(221),plt.imshow(img[:,:,::-1]),plt.title('Original')plt.xticks([]), plt.yticks([])plt.subplot(222),plt.imshow(dst[:,:,::-1]),plt.title('Averaging')plt.xticks([]), plt.yticks([])plt.subplot(223),plt.imshow(blur_1[:,:,::-1]),plt.title('Gaussian')plt.xticks([]), plt.yticks([])plt.subplot(224),plt.imshow(blur_1[:,:,::-1]),plt.title('Bilateral')plt.xticks([]), plt.yticks([])plt.show()

可以參考OpenCV圖像處理基礎(chǔ)（變換和去噪），了解