美国操逼视频,国产区在线播放视频,黄色AV免费观看,国产做受网站,99无码视频。,性爱激情五月,91电影无码,日韩黄色一级电影

2020年最熱門的Python庫有哪些？規(guī)則很簡單。我們正在尋找的庫滿足以下條件：

它于2020年推出或普及。
自發(fā)布以來，一直得到很好的維護(hù)。
它非?？?，您應(yīng)該使用一下它。

免責(zé)聲明：我們的選擇在很大程度上受機(jī)器學(xué)習(xí)/數(shù)據(jù)科學(xué)庫的影響，盡管其中某些庫確實(shí)對非數(shù)據(jù)科學(xué)人士也同樣受用。此外，盡管我們有10個(gè)主要選擇，但我們還是決定增加一個(gè)新的“榮譽(yù)提名”部分，以便對我們發(fā)現(xiàn)但不能遺漏的其他第三方庫一個(gè)公道。

這篇文章的精神是使這些庫更為大眾所知，并圍繞我們可能已經(jīng)錯(cuò)過的其他一些絕佳選擇引發(fā)討論（在評論中或其他地方）。

因此，事不宜遲，讓我們開始吧。

1、Typer

https://github.com/tiangolo/typer

您不一定總是需要編寫 CLI 應(yīng)用程序，但這樣做可以省不少事。在 FastAPI(https://fastapi.tiangolo.com/) 取得巨大成功之后，tiangolo (https://twitter.com/tiangolo) 使用了相同的原理為我們帶來了 Typer：一個(gè)新的庫，使您可以利用Python 3.6+的類型提示功能來編寫命令行界面。

該設(shè)計(jì)的確使Typer脫穎而出。除了確保代碼已正確記錄之外，您還可以輕松進(jìn)行CLI界面的驗(yàn)證。通過使用類型提示，您可以在Python編輯器（如VS Code）中獲得自動(dòng)補(bǔ)全功能，這將提高您的生產(chǎn)率。

為了增強(qiáng)其功能，Typer內(nèi)核是基于Click（https://click.palletsprojects.com/en/7.x/）的，而Click則是眾所周知，并且經(jīng)過了嚴(yán)格的測試。這意味著它可以利用其所有好處，如社區(qū)和插件，同時(shí)以更少的樣板代碼從簡單開始，并根據(jù)需要變得復(fù)雜。

Typer文檔（https://typer.tiangolo.com/）確實(shí)很有幫助，并且應(yīng)該成為其他項(xiàng)目的典范。絕對不能錯(cuò)過！

2. Rich

https://github.com/willmcgugan/rich

順著CLI的主題，誰說終端應(yīng)用程序必須是純白色，或者如果您是真正的黑客，則必須是綠色，是黑色？

是否要在終端輸出中添加顏色和樣式？毫不費(fèi)力地顯示漂亮的進(jìn)度條？Markdown？表情符號(hào)？Rich可以實(shí)現(xiàn)上述所有功能。查看下面示例截圖可以進(jìn)一步了解：

Rich 絕對是一個(gè)可以將使用終端應(yīng)用程序的體驗(yàn)提升到全新水平的庫。

3. Dear PyGui

https://github.com/hoffstadt/DearPyGui

盡管如我們所見，終端應(yīng)用程序可以很漂亮，但有時(shí)還不夠，您需要一個(gè)真正的GUI。目前流行的Dear ImGui C ++項(xiàng)目（https://github.com/ocornut/imgui）的Python分支Dear PyGui正是為此而誕生。

Dear PyGui利用了在視頻游戲中廣為流行的即時(shí)模式范例(immediate mode paradigm)。這基本上意味著動(dòng)態(tài)GUI是逐幀獨(dú)立繪制的，無需保留任何數(shù)據(jù)。這使得該工具與其他Python GUI框架有著根本不同。它具有高性能，并使用計(jì)算機(jī)的GPU來促進(jìn)高度動(dòng)態(tài)界面的構(gòu)建，這在工程，仿真，游戲或數(shù)據(jù)科學(xué)應(yīng)用程序中經(jīng)常用到。

Dear PyGui可以在沒有陡峭的學(xué)習(xí)曲線的情況下使用，并且可以在Windows 10（DirectX 11），Linux（OpenGL 3）和MacOS（Metal）上運(yùn)行。

4. PrettyErrors

https://github.com/onelivesleft/PrettyErrors

大道至簡，這是一個(gè)值得讓您思考的庫：以前沒人想過這是怎么回事？

PrettyErrors只做一件事并且做得很好。在支持彩色輸出的終端中，它將隱秘的堆棧軌跡轉(zhuǎn)換成更適合用微弱的人眼解析的東西。無需再掃描整個(gè)屏幕來查找異常的原因……您現(xiàn)在就可以一目了然！

5. Diagrams

https://github.com/mingrammer/diagrams

我們程序員喜歡用代碼解決問題。但是有時(shí)，我們需要向其他同事解釋復(fù)雜的架構(gòu)設(shè)計(jì)。傳統(tǒng)上，我們使用GUI工具，在其中我們可以處理圖表和可視化以放入演示文稿和文檔。但這不是唯一的方法。

Diagrams使您無需任何設(shè)計(jì)工具即可直接在Python代碼中繪制云系統(tǒng)架構(gòu)。它包含的圖標(biāo)支持多個(gè)云提供商（包括AWS，Azure，GCP）。這使創(chuàng)建箭頭和組非常容易。真的，只有幾行代碼！

基于代碼的圖表的最好之處是什么？您可以通過git使用版本控制來掌控進(jìn)度！

6. Hydra 和 OmegaConf

https://hydra.cc/?

https://github.com/omry/omegaconf

在進(jìn)行機(jī)器學(xué)習(xí)項(xiàng)目的研究和實(shí)驗(yàn)時(shí)，總是有無數(shù)的設(shè)置可以嘗試。在非平凡解的應(yīng)用程序中，配置管理會(huì)變得相當(dāng)復(fù)雜，非?？?。有一種結(jié)構(gòu)化的方式來處理這種復(fù)雜性不是很好嗎？

Hydra是一種工具，可讓您以可組合的方式構(gòu)建配置，并從命令行或配置文件覆蓋某些部分。

為了說明可以通過該庫簡化的一些常見任務(wù)，假設(shè)有一個(gè)我們正在嘗試的模型的基本體系結(jié)構(gòu)，以及它的多種變體。使用Hydra，可以定義基本配置，然后運(yùn)行多個(gè)作業(yè)，并進(jìn)行以下更改：

python?train_model.py?variation=option_a,option_b

├──?variation
│???├──?option_a.yaml
│???└──?option_b.yaml
├──?base.yaml
└──?train_model.py

Hydra 的表親 OmegaConf 為分層配置系統(tǒng)的基礎(chǔ)提供了一致的API，并支持YAML，配置文件，對象和CLI參數(shù)等不同來源。

這是21世紀(jì)進(jìn)行配置管理的必備條件！

7. PyTorch Lightning

https://github.com/PyTorchLightning/PyTorch-lightning

每一種提高數(shù)據(jù)科學(xué)團(tuán)隊(duì)生產(chǎn)力的工具都值得鼓勵(lì)。沒有理由讓從事數(shù)據(jù)科學(xué)項(xiàng)目的人每次都重新發(fā)明輪子，反復(fù)思考如何更好地組織其項(xiàng)目中的代碼，使用維護(hù)得不好的“ PyTorch 樣板”，或者使用更高級(jí)別的抽象功能。

PyTorch Lightning 通過將科學(xué)與工程分離而有助于提高生產(chǎn)率。從某種意義上說，它使您的代碼更簡潔，有點(diǎn)像 TensorFlow 的 Keras。但是它仍然是PyTorch，您可以訪問所有常用的API。

該庫可幫助團(tuán)隊(duì)利用圍繞組織的軟件工程的良好實(shí)踐和明確的組件職責(zé)來構(gòu)建可輕松擴(kuò)展，以在多個(gè)GPU，TPU和CPU上進(jìn)行訓(xùn)練高質(zhì)量代碼。

一個(gè)可以幫助數(shù)據(jù)科學(xué)團(tuán)隊(duì)的初級(jí)成員產(chǎn)生更好結(jié)果的庫，但是，由于整體生產(chǎn)力的提高，而且沒有放棄控制權(quán)，更有經(jīng)驗(yàn)的成員會(huì)喜歡它。

8. Hummingbird

https://github.com/microsoft/hummingbird

并非所有的機(jī)器學(xué)習(xí)都是深度學(xué)習(xí)。通常，您的模型由scikit-learn中實(shí)現(xiàn)的更傳統(tǒng)的算法（例如，Random Forest）組成，或者您使用諸如流行的LightGBM和XGBoost之類的梯度增強(qiáng)方法。

但是，深度學(xué)習(xí)領(lǐng)域正在發(fā)生許多進(jìn)步。像PyTorch這樣的框架正在以驚人的速度發(fā)展，并且硬件設(shè)備已經(jīng)過優(yōu)化，可以更快地運(yùn)行張量計(jì)算并降低功耗。如果我們可以利用所有這些工作來更快、更高效地運(yùn)行傳統(tǒng)方法，那豈不是很好嗎？

這是Hummingbird的用武之地。微軟提供的這個(gè)新庫可以將訓(xùn)練有素的傳統(tǒng)ML模型編譯為張量計(jì)算。這很棒，因?yàn)樗鼓鸁o需重新設(shè)計(jì)模型。

到目前為止，Hummingbird支持轉(zhuǎn)換為PyTorch，TorchScript，ONNX和TVM，以及各種ML模型和矢量化器。推理API也與Sklearn范例非常相似，可讓您重用現(xiàn)有代碼，但將實(shí)現(xiàn)更改為Hummingbird生成的代碼。這是一個(gè)值得關(guān)注的工具，因?yàn)樗@得了對模式模型和格式的支持！

9. HiPlot

https://github.com/facebookresearch/hiplot

幾乎每個(gè)數(shù)據(jù)科學(xué)家在職業(yè)生涯中的某個(gè)時(shí)候都曾處理過高維數(shù)據(jù)。不幸的是，人腦沒有足夠的連線直觀地處理這種數(shù)據(jù)，因此我們必須訴諸其他技術(shù)。

今年初，F(xiàn)acebook發(fā)布了HiPlot，這是一個(gè)庫，可使用并行繪圖和其他圖形方式來表示信息，從而幫助發(fā)現(xiàn)高維數(shù)據(jù)中的相關(guān)性和模式。該概念已在其發(fā)布博客文章中進(jìn)行了解釋，但基本上，它是一種可視化和過濾高維數(shù)據(jù)的好方法。

HiPlot具有交互性，可擴(kuò)展性，您可以從標(biāo)準(zhǔn)Jupyter筆記本電腦或通過其自己的服務(wù)器使用它。

10. Scalene

https://github.com/emeryberger/scalene

隨著Python庫生態(tài)系統(tǒng)變得越來越復(fù)雜，我們發(fā)現(xiàn)自己正在編寫越來越多的依賴C擴(kuò)展和多線程的代碼。在衡量性能時(shí)，這成為一個(gè)問題，因?yàn)镃Python內(nèi)置的探查器無法正確處理多線程和本機(jī)代碼。

那就是Scalene進(jìn)行救援的時(shí)候。Scalene是用于Python腳本的CPU和內(nèi)存探查器，能夠正確處理多線程代碼并區(qū)分運(yùn)行Python和本機(jī)代碼所花費(fèi)的時(shí)間。無需修改代碼，只需要在命令行中使用scalene運(yùn)行腳本，腳本就會(huì)為您生成文本或HTML報(bào)告，顯示代碼每一行的CPU和內(nèi)存使用情況。

榮譽(yù)提名：

Norfair

https://github.com/tryolabs/norfair

Norfair是一個(gè)可定制的輕量級(jí)Python庫，用于實(shí)時(shí)2D對象跟蹤。使用Norfair，您只需幾行代碼就可以為任何檢測器添加跟蹤功能。

quart

https://gitlab.com/pgjones/quart/

一個(gè)兼容Flask API的異步Web框架。一些現(xiàn)有的Flask擴(kuò)展程序甚至可以直接使用！

alibi-detect

https://github.com/SeldonIO/alibi-detect

監(jiān)視生產(chǎn)模型中的異常值和分布漂移，以獲取表格數(shù)據(jù)，文本，圖像和時(shí)間序列。

einops

https://github.com/arogozhnikov/einops

einops于2020年普及，可讓您編寫張量操作以獲得可讀且可靠的代碼，并支持numpy，PyTorch，TensorFlow等。

stanza

https://github.com/stanfordnlp/stanza

斯坦福提供的支持60多種語言的自然語言處理工具。針對不同任務(wù)的多個(gè)可用的預(yù)訓(xùn)練模型。

datasets

https://github.com/huggingface/datasets

來自HuggingFace的輕量級(jí)可擴(kuò)展庫，可輕松共享和訪問數(shù)據(jù)集和自然語言處理（NLP）等評估指標(biāo)

pytorch-forecasting

https://github.com/jdb78/pytorch-forecasting

借助神經(jīng)網(wǎng)絡(luò)簡化了針對實(shí)際案例和研究的時(shí)間序列預(yù)測。

sktime

https://github.com/alan-turing-institute/sktime

提供了專用的時(shí)間序列算法和scikit-learn兼容工具，用于構(gòu)建，調(diào)整和評估組合模型。還要檢查其配套的sktime-dl軟件包，以獲取基于深度學(xué)習(xí)的模型。

netron

https://github.com/lutzroeder/netron

神經(jīng)網(wǎng)絡(luò)，深度學(xué)習(xí)和機(jī)器學(xué)習(xí)模型的可視化工具。支持的格式比我所知道的還要多。

pycaret

https://github.com/pycaret/pycaret

包裝了幾個(gè)常見的ML庫，使您的工作效率大大提高，節(jié)省了數(shù)百行代碼。

tensor-sensor

https://github.com/parrt/tensor-sensor

通過改善錯(cuò)誤消息并提供可視化效果，幫助您正確確定張量數(shù)學(xué)的尺寸。

更多閱讀

Top 10 沙雕又有趣的 GitHub 程序

5分鐘掌握 Python 對象的引用

程序運(yùn)行慢？你怕是寫的假 Python

特別推薦

點(diǎn)擊下方閱讀原文加入社區(qū)會(huì)員

2020 年最佳流行 Python 庫 Top 10