隨著機器學習的逐日升溫，各種相關開源包也是層出不群，面對如此多種類的工具包，該如何選擇，有的甚至還知之甚少或者不知呢，本文簡單彙總了一下當下使用比較多的Python版本機器學習工具包，供大家參看，還很不全不詳盡，會持續更新，也歡迎大家補充，多謝多謝！~~~

scikit-learn:

基於python的機器學習模組，基於BSD開源許可證。這個專案最早由DavidCournapeau 在2007 年發起的，目前也是由社群自願者進行維護。基本功能主要被分為六個部分，分類，迴歸，聚類，資料降維，模型選擇，資料預處理，具體可以參考官方網站上的文件。

Theano: 

除錯過程費勁，可以隨心所欲寫程式碼，但是求導和GPU透明，比較看好。

大部分程式碼是使用Cython編寫，Cython是一個可編譯為本地可執行程式碼的Python方言，與僅僅使用解釋性Python語言相比，它能夠使執行速度快速提升。最重要的是，很多優化程式已經整合到Theano庫中，它能夠優化你的計算量並讓你的執行時間保持最低。

    還內建支援使用CUDA在GPU上執行那些所有耗時的計算。所有的這一切僅僅只需要修改配置檔案中的標誌位即可。在CPU上執行一個指令碼，然後切換到GPU，而對於你的程式碼，則不需要做任何變化。

    儘管Theano使用Cython和CUDA對其效能大大提升，但你仍然可以僅僅使用Python語言來建立幾乎任何型別的神經網路結構。

Numbapro:

自己寫GPU加速的話比較麻煩，需要浪費時間寫一些基礎的函式編寫。

Caffe:

    一個清晰而高效的深度學習框架,Caffe是純粹的C++/CUDA架構，支援命令列、Python和MATLAB介面；可以在CPU和GPU直接無縫切換.

    Caffe的優勢:

（1）上手快：模型與相應優化都是以文字形式而非程式碼形式給出。Caffe給出了模型 的定義、最優化設定以及預訓練的權重，方便立即上手。

（2）速度快：能夠執行最棒的模型與海量的資料。Caffe與cuDNN結合使用，測試AlexNet 模型，在K40上處理每張圖片只需要1.17ms.

（3）模組化：方便擴充套件到新的任務和設定上。可以使用Caffe提供的各層型別來定義自己的模型。

（4）開放性：公開的程式碼和參考模型用於再現。

（5）社群好：可以通過BSD-2參與開發與討論。

pylearn2:

不靈活。

    Pylearn2和Theano由同一個開發團隊開發，Pylearn2是一個機器學習庫，它把深度學習和人工智慧研究許多常用的模型以及訓練演算法封裝成一個單一的實驗包，如隨機梯度下降。

    也可以很輕鬆的圍繞你的類和演算法編寫一個封裝程式，為了能讓它在Pylearn2上執行，你需要在一個單獨的YAML格式的配置檔案中配置你整個神經網路模型的引數。

nolearn + lasagne:

Kaggle比賽者常用，Lasagne目前據說最好

    其中Lasagne是一個與Blocks和Keras有著相似功能的深度學習庫，但其在設計上與它們有些不同。

    下面是Lasagne的一些設計目的：

（1）簡單化：它應該是易於使用和擴充套件的機器學習庫。每新增一個特徵，就應該考慮其對易用性和擴充套件性的影響。每一個抽象概念的加入都應該仔細檢查,以確定增加的複雜性是否合理。

（2）小介面：儘可能少的類和方法。儘可能依賴Theano的功能和資料型別，遵循Theano的規定。如果沒有嚴格的必要，不要在類中封裝東西。這會使它更容易使用庫並且擴充套件它（不需要有太多的認知）。

（3）不礙事：未使用的功能應該是不可見的，使用者不會考慮他們不使用的功能。儘可能單獨的使用庫檔案中的元件。

（4）透明性：不要試圖掩蓋Theano，儘量以Python或NumPy資料型別的形式將函式和方法返回給Theano表示式。

（5）重點：遵循Unix哲學“做一件事，並把它做好”，重點集中在前饋神經網路。

（6）實用主義：使普通用例更易於使用，這要比支援每一個可能的用例更為重要。

keras：         

    是一個簡約的、高度模組化的神經網路庫，設計參考了Torch，基於Theano和Python語言編寫，支援GPU和CPU。它的開發側重於實現快速試驗和創造新的深度學習模型。

    如果你需要具有以下功能的深度學習庫，採用Keras就恰到好處：

（1）可以很容易地、快速地建立原型（通過總體模組化，極簡化並且可擴充套件化）。

（2）支援卷積網路和遞迴網路，以及兩者的組合。

（3）支援任意連線方式（包括多輸入多輸出訓練）

    （4）編碼風格非常簡約、清晰。它把所有的要點使用小類封裝起來，能夠很容易地組合在一起並創造出一種全新的模型。

torch:

暫不瞭解，歡迎補充~~~

Blocks：

（1）一個非常模組化的框架，有助於你在Theano上建立神經網路。

（2）目前它支援並提供的功能有：

（3）構建引數化Theano運算，稱之為“bricks”。

（4）在大型模型中使用模式匹配來選擇變數以及“bricks”。

（5）使用演算法優化模型。

（6）訓練模型的儲存和恢復。

（7）在訓練過程中檢測和分析值（訓練集以及測試集）。

（8）圖形變換的應用，如dropout。