2018 年最受欢迎的 Python 库，你都用过吗？_学习人工智能时，我给自己定了一个目标－－用python写一个简单的神经网络。为了确保真得理解它，我…

学好 Python 不论是就业还是做副业赚钱都不错，但要学会 Python 还是要有一个学习规划。最后大家分享一份全套的 Python 学习资料，给那些想学习 Python 的小伙伴们一点帮助！

一、Python所有方向的学习路线

Python所有方向路线就是把Python常用的技术点做整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

二、学习软件

工欲善其事必先利其器。学习Python常用的开发软件都在这里了，给大家节省了很多时间。

三、全套PDF电子书

书籍的好处就在于权威和体系健全，刚开始学习的时候你可以只看视频或者听某个人讲课，但等你学完之后，你觉得你掌握了，这时候建议还是得去看一下书籍，看权威技术书籍也是每个程序员必经之路。

四、入门学习视频

我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了。

五、实战案例

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

六、面试资料

我们学习Python必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

“PyTorch 是一个 Python 包，提供两个高级功能：

具有强大的 GPU 加速度的张量计算(如 NumPy)

基于磁带的自动编程系统构建的深度神经网络

你可以重复使用自己喜欢的 Python 软件包，如 NumPy，SciPy 和 Cython，以便在需要时扩展 PyTorch。”

GitHub 地址：https://github.com/pytorch/pytorch

5、Matplotlib

(贡献者：778，贡献：28094，Stars ：8362)

“Matplotlib 是一个 Python 2D 绘图库，可以生成各种可用于出版品质的硬拷贝格式和跨平台交互式环境数据。Matplotlib 可用于 Python 脚本，Python 和 IPython shell(例如 MATLAB 或 Mathematica)，Web 应用程序服务器和各种图形用户界面工具包。”

GitHub 地址：https://github.com/matplotlib/matplotlib

6、Keras

(贡献者：856，贡者：4936，Stars ：36450)

“Keras 是一个高级神经网络 API，用 Python 编写，能够在 TensorFlow，CNTK 或 Theano 之上运行。它旨在实现快速实验，能够以最小的延迟把想法变成结果，这是进行研究的关键。”

GitHub 地址：https://github.com/keras-team/keras

7、NumPy

(贡献者：714，贡献：19399，Stars：9010)

“NumPy 是使用 Python 进行科学计算所需的基础包。它提供了强大的 N 维数组对象，复杂的(广播)功能，集成 C / C ++ 和 Fortran 代码的工具以及有用的线性代数，傅里叶变换和随机数功能。

GitHub 地址：https://github.com/numpy/numpy

8、SciPy

(贡献者：676，贡献：20180，Stars：5188)

“SciPy(发音为”Sigh Pie“)是数学、科学和工程方向的开源软件，包含统计、优化、集成、线性代数、傅立叶变换、信号和图像处理、ODE 求解器等模块。”

GitHub 地址：https://github.com/scipy/scipy

9、Apache MXNet

(贡献者：653，贡献：9060，Stars：15812)

“Apache MXNet(孵化)是一个深度学习框架，旨在提高效率和灵活性，让你可以混合符号和命令式编程，以最大限度地提高效率和生产力。 MXNet 的核心是一个动态依赖调度程序，可以动态地自动并行化符号和命令操作。”

GitHub 地址：https://github.com/apache/incubator-mxnet

10、Theano

(贡献者：333，贡献：28060，Stars ：8614)

“Theano 是一个 Python 库，让你可以有效地定义、优化和评估涉及多维数组的数学表达式。它可以使用 GPU 并实现有效的符号区分。”

GitHub 地址：https://github.com/Theano/Theano

11、Bokeh

(贡献者：334，贡献：17395，Stars ：8649)

“Bokeh 是一个用于 Python 的交互式可视化库，可以在现代 Web 浏览器中实现美观且有意义的数据视觉呈现。使用 Bokeh，你可以快速轻松地创建交互式图表、仪表板和数据应用程序。”

GitHub 地址：https://github.com/bokeh/bokeh

12、XGBoost

(贡献者：335，贡献：3557，Stars：14389)

“XGBoost 是一个优化的分布式梯度增强库，旨在变得高效、强大、灵活和便携。它在 Gradient Boosting 框架下实现机器学习算法。XGBoost 提供了梯度提升决策树(也称为 GBDT，GBM)，可以快速准确地解决许多数据科学问题，可以在主要的分布式环境(Hadoop，SGE，MPI)上运行相同的代码，并可以解决数十亿个示例之外的问题。”

GitHub 地址：https://github.com/dmlc/xgboost

13、Gensim

(贡献者：301，贡献：3687，Stars ：8295)

“Gensim 是一个用于主题建模、文档索引和大型语料库相似性检索的 Python 库，目标受众是自然语言处理(NLP)和信息检索(IR)社区。”

GitHub 地址：https://github.com/RaRe-Technologies/gensim

14、Scrapy

(贡献者：297，贡献：6808，Stars ：30507)

“Scrapy 是一种快速的高级 Web 爬行和 Web 抓取框架，用于抓取网站并从其页面中提取结构化数据。它可用于从数据挖掘到监控和自动化测试的各种用途。”

GitHub 地址：https://github.com/scrapy/scrapy

15、Caffe

(贡献者：270，贡献：4152，Stars ：26531)

“Caffe 是一个以表达、速度和模块化为基础的深度学习框架，由伯克利人工智能研究(BAIR)/ 伯克利视觉与学习中心(BVLC)和社区贡献者开发。”

GitHub 地址：https://github.com/BVLC/caffe

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！