Python常用库(二)

在上一篇文章中我们讲到了数值计算、数据可视化、Web开发、数据库管理的一些常用库。下面我们来看看自动化运维、图形界面编程、机器学习、深度学习的常用库。

自动化运维

jumpsever跳板机

用Python编写的开源跳板机（堡垒机）系统，该系统实现跳板机的基本功能，包括身份验证，授权和审计，并集成Ansible，批处理命令等。支持WebTerminalBootstrap编写，漂亮的界面，自动收集硬件信息，支持视频播放、命令搜索、实时监控、批量上传和下载等功能，基于SSH协议进行管理，客户端无需安装代理。主要用于解决视觉安全管理，因为它是完全开源的，因此很容易再次开发。

Magedu分布式监控系统

用Python开发的自动化监视系统，可以监视常见的系统服务，应用程序和网络设备。它可以在一台主机上监视多种不同的服务。不同服务的监视间隔可以不同。可以在不同主机上监视同一服务。间隔和警报阈值可以不同，并提供数据可视化界面。

Magedu的CMDB

用Python开发的硬件管理系统，包括收集硬件数据、API和页面管理的三个功能。它主要用于自动管理笔记本和路由器等常见设备的日常使用。服务器的客户终端收集硬件数据，并将硬件信息发送到API。 API负责将获取的数据保存在数据库中，后台管理程序负责配置和显示服务器信息。

用户界面(GUI)编程

Tkinter

一个Python标准GUI库，可以快速创建GUI应用程序，该应用程序可以在大多数Unix平台上使用，也可以在Windows和Mac os系统上使用。Tkinter8.0的后续版本可以实现本机窗口样式，并且可以在大多数平台上很好地运行。

wxPython

wxWidgets的Python软件包和Python模块是一个开源软件跨平台GUI库，它是使用Python语言编写的出色的GUI图形库，可以轻松地创建完整且功能齐全的GUI用户界面。

PyQt

用于创建GUI应用程序的工具库是Python编程语言和Qt的成功融合。它可以在所有主要操作系统上运行，包括UNIX、Windows和Mac。PyQt使用双重许可证。开发人员可以在GPL和商业许可之间进行选择。从PyQt第4版开始，GPL许可证可在所有受支持的平台上使用。

PySide

跨平台应用程序框架Qt是Python绑定版本，提供与PyQt类似的功能，并且与API兼容，但是它使用的LGPL许可证与PyQt不同。

机器学习

Scikit-Learn

Scikit-Learn基于NumPy和SciPy。它是专门为机器学习而构建的Python模块。它提供了用于数据挖掘和分析的大量工具，包括一系列接口，例如数据预处理、交叉验证、算法和可视化算法。

Orange3

Orange3是基于组件的数据挖掘和机器学习软件包，支持Python进行脚本开发。它包含一系列数据可视化、检索、预处理和建模技术，具有良好的用户界面，还可以用作Python模块。

用户可以通过数据可视化进行数据分析，包括统计分布图、直方图、散点图和更深的决策树、层次聚类、热图、MDS（多维分析）、线性预测等、并且可以使用Orange 具有用于NLP、文本挖掘、网络分析、推理高频数据集和关联规则数据分析的各种其他功能组件。

XGBoost

XGBoost是一个专注于梯度提升算法的机器学习库。它以其出色的学习效果和有效的训练速度而受到了广泛的关注。XGBoost支持并行处理，与Scikit-Learn库相比，其性能也提高了10倍以上，Scikit-Learn库也实现了梯度增强算法。XGBoost可以处理多项任务，例如回归、分类和排序。

NuPIC

NuPIC是一个专注于时间序列的机器学习平台。它的核心算法是HTM算法，它比深度学习更接近人脑的操作结构。HTM算法的理论基础主要是新皮层的工作原理，该新皮层处理人脑中的高级认知功能。 NuPIC可用于预测和异常检测，并具有广泛的应用范围，只需要输入时间序列。

Milk（MachineLearningToolkit）

Milk专注于提高运行速度和减少内存占用，因此大多数对性能敏感的代码都是用C ++编写的，并且在此基础上提供了一个Python界面以方便使用。它着重于提供有监督的分类方法，例如SVM、KNN、随机森林和决策树，并且还支持无监督的学习算法，例如K均值和紧密关系传播。

深度学习

Caffe（ConvolutionalArchitectureforFastFeatureEmbedding）

这是一个以表达、速度和模块化为核心的深度学习框架。它具有清晰度高、可读性强和速度快的特点，并广泛用于视频和图像处理中。Caffe中的网络结构和优化以配置文件的形式定义，该文件易于使用，无需通过代码构建网络。网络训练速度快，可以训练大数据集和最新模型；模块化组件可以方便地扩展到新模型和学习任务。

Theano

Theano诞生于2008年，是一个高性能的符号计算和深度学习库。它被认为是深度学习库的始祖之一，并且是深度学习研究和应用的重要标准之一。它的核心是数学表达式编译器，专门设计用于处理大规模神经网络训练计算。Theano很好地集成了NumPy，可以直接使用NumPy的ndarray，从而大大降低了API接口的学习成本； 它的计算稳定性好，可以精确计算输出值较小的函数，例如log（1 + x）； 动态生成C或CUDA代码以编译成高效的机器代码。

TensorFlow

TensorFlow是一个相对高级的机器学习库。它的核心代码是用C ++编写的，并且支持自动派生，使用户可以轻松设计神经网络结构，而无需自己编写C ++或CUDA代码，也不需要通过反向传播来解决梯度问题。由于底层是用C ++语言编写的，因此可以确保运行效率并简化了在线部署的复杂性。

Keras

Keras是一个高度模块化的神经网络库，用Python实现，可以同时在TensorFlow和Theano上运行。

如果你想学习Python，但是找不到学习路径和资源，欢迎来指尖编程