「python」2020十大Python函式库有哪些？快来看看~(3)

本系列文章为【2020年度十大Python函式库-人工智慧·机器学习必备】的第三篇。上一篇介绍了美化了Python错误信息的「Pretty Errors」，堪称是疗愈系的工程师的debug神器、还有「Diagrams」让工程师不需要使用设计软件，只要使用Python就能画出美轮美奂的云系统架构图。请点此看「python」2020十大Python函式库有哪些？快来看看~(2)阅读了解。

python函式库里竟然有Hummingbird?它的功能是…?

​

Hydra与OmegaConf：结构化复杂的机器学习项目
在机器学习项目中做研究与实验时，总是有五花八门的环境配置工作。在这些非平凡（non-trivial）的应用程序中，配置管理可能会变得也复杂。是否有结构化的方法来处理这种复杂性？

Hydra 可藉由「组合」的方式来建构配置，并从命令列或config 设定档中覆盖某些特定的部分，而加快了执行速度。

为了要说明Hydra 函式库可简化一些特定的任务，tryolabs 举了他们正在试验的模型的基本架构以及它的多种变化为例。借助Hydra，可以定义基本配置，然后运行多个工作并对其进行变化：

Hydra 的表亲「OmegaConf」为分层配置系统的基础提供了一致的API，并支持不同的来源如YAML、config 设定档、物件与CLI 参数。

PyTorch Lightning：PyTorch版的Keras，告别没完没了的Debug
PyTorch 是一款热门的的深度学习框架，可以简单的方式建构复杂的AI 模型。但是当作大量实验的时候，很多东西都会变得复杂过头，代码也随之变得庞大，此时还是容易出错。

于是，PyTorch Lightning 就为了减少错误而诞生：它可以重构PyTorch 代码、抽出复杂重复的部分，让工程师可以专注于核心的建构、实验也更快更便捷地开展迭代。

▲ PyTorch Lightning 可以重构PyTorch 代码、抽出复杂重复的部分，让工程师可以更专注在研究代码上

Lighting 的原理是藉由将研究代码从重复性强的工程代码区分开，让工程师可以专注在研究代码上，思绪就会更加清晰，整体代码也更加简洁。

Hummingbird

并不是所有的机器学习都是深度学习。通常，你的模型是由更多传统的演算法在Python的机器学习套件scikit-learn（像是Random Forest）中组成；或者你也可以选择时下流行的LightGBM和与XGBoost的梯度提升技术(Gradient boosting）演算法。

然而，机器学习领域一直都在进步。像是上述的PyTorch框架正以令人屏息的速度在进步，硬体设备也不断优化，以更低的耗能、更快的速度完成张量计算。假如我们能将这些优势套用到传统的演算法中，不是很好吗？因此Microsoft就发布了新的Python函式库「Hummimgbird」。

Hummingbird 可以将已经训练好的传统机器学习模型，编译至张量计算。这个强大的功能让你不用设计新的模型！

截至目前为止，Hummingbird 支援转换到PyTorch、TorchScript、ONNX 与以及多种机器学习模型以及向量器。其实这跟上述提到的scikit-learn（Sklearn）非常相似，让你重复使用现有的代码，但可将成品变成由Hummingbird 生成的代码

下篇，我们即将介绍「Scalene」：用于Python脚本的CPU和记忆体的效能分析器（profiler），能完整地处理多执行绪代码并区分运行Python和本机代码所花费的时间，还有用于影像即时追踪（real-time object tracking）的「Norfair」，能及时抓住正在移动的人、事、物并赋予独一无二的ID。请点此看下一篇「python」2020十大Python函式库有哪些？快来看看~(终)阅读了解