### Python 中集成 AI 和 ML 的包集合 #### ### 1. Scikit-learn Scikit-learn 是 Python 社区中最受欢迎的机器学习库之一，专注于传统机器学习算法。它提供了多种监督和无监督学习算法，包括分类、回归、聚类等，并支持模型选择与评估功能[^3]。此外，其简洁的 API 设计和详尽的文档让开发者能够快速上手并完成复杂的建模任务。 ```python from sklearn import datasets from sklearn.model_selection import train_test_split from sklearn.linear_model import LogisticRegression # 加载数据集 iris = datasets.load_iris() X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target) # 创建逻辑回归模型实例 model = LogisticRegression(max_iter=200) model.fit(X_train, y_train) print(f"Accuracy: {model.score(X_test, y_test)}") ``` --- #### ### 2. TensorFlow TensorFlow 是由 Google 开发的一个强大的开源框架，主要用于深度学习研究和生产环境部署。它不仅支持构建卷积神经网络 (CNN) 和循环神经网络 (RNN)，还提供分布式计算的能力以加速大规模训练过程[^4]。 ```python import tensorflow as tf from tensorflow.keras.datasets import mnist from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Dense, Flatten # 准备 MNIST 数据集 (x_train, y_train), (x_test, y_test) = mnist.load_data() # 构造简单的全连接神经网络 model = Sequential([ Flatten(input_shape=(28, 28)), Dense(128, activation='relu'), Dense(10, activation='softmax') ]) model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy']) model.fit(x_train, y_train, epochs=5) test_loss, test_acc = model.evaluate(x_test, y_test) print(f"Test Accuracy: {test_acc}") ``` --- #### ### 3. PyTorch PyTorch 另一款流行的深度学习框架，在学术界尤其受到青睐。相比 TensorFlow 更加灵活动态图机制允许研究人员轻松调试代码并试验新想法。 ```python import torch import torch.nn as nn import torchvision.transforms as transforms import torchvision.datasets as dsets train_dataset = dsets.MNIST(root='./data', train=True, transform=transforms.ToTensor(), download=True) batch_size = 100 n_iters = 3000 num_epochs = n_iters / (len(train_dataset) / batch_size) num_epochs = int(num_epochs) train_loader = torch.utils.data.DataLoader(dataset=train_dataset, batch_size=batch_size, shuffle=True) class FeedforwardNeuralNetModel(nn.Module): def __init__(self, input_dim, hidden_dim, output_dim): super().__init__() self.fc1 = nn.Linear(input_dim, hidden_dim) self.relu = nn.ReLU() self.fc2 = nn.Linear(hidden_dim, output_dim) def forward(self, x): out = self.fc1(x) out = self.relu(out) out = self.fc2(out) return out input_dim = 784 hidden_dim = 100 output_dim = 10 model = FeedforwardNeuralNetModel(input_dim, hidden_dim, output_dim).to(device="cpu") criterion = nn.CrossEntropyLoss() learning_rate = 0.1 optimizer = torch.optim.SGD(model.parameters(), lr=learning_rate) iter = 0 for epoch in range(num_epochs): for i, (images, labels) in enumerate(train_loader): images = images.view(-1, 28 * 28).requires_grad_() optimizer.zero_grad() outputs = model(images) loss = criterion(outputs, labels) loss.backward() optimizer.step() iter += 1 ``` --- #### ### 4. Keras Keras 是一个高层神经网络 API，它可以运行在 TensorFlow 或 Theano 后端之上。由于其用户友好的界面设计，初学者可以通过几行代码就能搭建起完整的深度学习模型[^4]。 ```python from keras.models import Sequential from keras.layers import Dense model = Sequential() model.add(Dense(units=64, activation='relu', input_dim=100)) model.add(Dense(units=10, activation='softmax')) model.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy']) # 假设我们有一些输入数据 `data` 和标签 `labels` # data.shape == (samples, 100); labels.shape == (samples,) model.fit(data, labels, epochs=10, batch_size=32) ``` --- #### ### 5. NumPy & Pandas 尽管它们本身并非专为 AI 而生，但在整个数据分析流程中扮演至关重要的角色。NumPy 提供高性能数组运算能力，而 Pandas 则擅长处理表格形式的数据清洗与转换工作[^5]。 ```python import numpy as np import pandas as pd arr = np.random.rand(3, 3) df = pd.DataFrame(arr, columns=["A", "B", "C"]) print(df.describe()) ``` --- #### ### 6. SciKit-optimize 除了基础的机器学习外，SciKit-optimize 扩展了超参数调优等功能，进一步提升了自动化程度[^3]。 ```python from skopt import BayesSearchCV from sklearn.svm import SVC opt = BayesSearchCV( estimator=SVC(), search_spaces={'C': (0.01, 100)}, cv=5 ) opt.fit(X_train, y_train) print(opt.best_params_) ``` --- #### ### 7. Hugging Face Transformers Hugging Face 提供了一套基于 Transformer 架构的强大自然语言处理工具链，涵盖了预训练模型加载、微调等多个环节。 ```python from transformers import pipeline classifier = pipeline('sentiment-analysis') result = classifier("I love this library!") print(result) ``` --- ### 结论 以上列举了一些常用的 Python 集成 AI 和 ML 的包，每一种都针对不同场景进行了优化。无论是传统的统计学方法还是前沿的深度学习技术，都可以找到合适的解决方案来满足需求。