对于python这么简单易学还优美的语言来说会得到大家的喜爱是很正常的，智能时代的来临也让python有了更多可以展示的机会，那么对于0基础的学员来说想要学习python的话也是不难的。
Scikit-learn
你刚开始学机器学习吗?如果你需要一个涵盖了特征工程，模型训练和模型测试所有功能的程序库，scikit-learn是你的选择!这个的免费软件提供了机器学习和数据挖掘所需要的所有工具。它是目前Python机器学习的标准库。要使用任何成熟的机器学习算法都推荐使用这个库。
这个程序库支持分类和回归，实现了基本所有的经典算法(支持向量机，随机森林，朴素贝叶斯等等)。程序库的设计让迁移算法十分容易，使用不同的算法做实验非常轻松。这些经典算法可用性很强，能用于大量不同的情况。
但这并不是Scikit-learn的全部功能，它同样可以用来做降维，聚类等等任何你所能想到的。由于它构建在Numpy和Scipy之上(所有的数值计算都是由C语言来完成的)，它的运行速度也超快。
这些例子可以告诉你这个库的功能，如果你想学习如何使用它，可以阅读教程。
NLTK
NLTK不算是一个机器学习的程序库，但它是做自然语言处理(NLP)*须的一个库。除了用于文字处理的功能，例如聚类，分词，词干提取，标记，解析等，它还包含了大量的数据集和其他关于词法的资源(可用于模型训练)。
把所有这些打包在一起的好处就不用再多说了。如果你对NLP感兴趣，可以看看这些教程!
Theano
Theano被广泛应用于工业界和学术界，它是所有深度学习架构的鼻祖。Theano是用Python，结合Numpy实现的。你可以用它来构建用多维数组实现神经网络。Theano会处理所有数学计算，你不需要知道底层的数学公式实现。
早在支持使用GPU进行计算不像今天这样普及的时候，Theano就已经提供了对GPU计算的支持。这个程序库目前已经非常成熟，能够支持很多不同类型的操作。这使得Theano可以在和其他库比较的时候胜出。
目前关于Theano的问题是API不是很好用，对于新手来说上手困难。*市面上已经有了解决这个问题的封装包，比如Keras, Blocks 和 Lasagne，都可以简化Theano的使用。
TensorFlow
谷歌大脑团队为了内部使用创造了TensorFlow，2015年将其开源化。设计初衷是取代他们已有的封闭机器学习框架DistBelief，据说该构架太过于依赖Google的整体构架，也不够灵活，在分享代码的时候非常不方便。
于是就有了TensorFlow。谷歌从以前的错误中吸取了教训。许多人认为TensorFlow是Theano的改进版，它提供了更灵活和好用的API。可以用于科研和工业界，同时支持使用大量的GPU进行模型训练。TensorFlow支持的操作没有Theano多，但是它的计算可视化比Theano好。
TensorFlow目前非常流行。如果今天这篇文章里面提到的名字你只听说了一个，那很有可能是这个。每天都有新的提到TensorFlow的博文或学术文章发表。这个流行度提供了大量的用户和教程，新人很容易上手。
Keras
Keras是一个提供更高层神经网络API的库，它可以基于Theano或者TensorFlow。它拥有这两个库强大的功能却又同时大大地简化了使用难度。它将用户的体验放在首要地位，提供简单的API和很有用的错误信息。
同时Keras的设计基于模块，这就使得你能自由组合不同的模型(神经层，成本函数等等)，而且模型的可扩展性很好，因为你只需要简单的将新模块跟已有的连起来即可。
有觉得Keras太好用了，简直就是在作弊。如果你开始用深度学习，可以看看例子 和 文档，对于你可以用它做什么有个数。如果你要学习使用它，可以从 这个教程开始。
两个类似的库有Lasagne 和 Blocks, 但它们只支持Theano。如果你试过了Keras但是你不喜欢它你可以试试这些其他的库，也许它们更适合你。
PyTorch
还有一个有名的深度学习架构是Torch，它是用Lua实现的。Facebook用Python实现了Torch，叫做PyTorch，并将它开源了。用这个库你可以使用Torch使用的低层的库，但是你可以使用Python而不是Lua。
PyTorch对查错的支持很好，这是因为Theano和TensorFlow使用符号计算而PyTorch则不是。使用符号计算就表明在一行代码被解释的时候，一个操作(x+y)并不会被执行，在那之前，它*须先被编译(解释成CUDA或者C语言)。这就让用Theano和TensorFlow的时候很难查错，因为很难把报错跟当前的代码联系起来。这样做有它的好处，*查错简单不在其中。
