本文目录一览：
- 1、《Python机器学习经典实例》pdf下载在线阅读全文，求百度网盘云资源
- 2、Python精选5篇教学心得
- 3、结合实例说明学习迁移的种类。
- 4、Python中的9个代码小实例！
- 5、13个最常用的Python深度学习库介绍
- 6、python怎么学习？
《Python机器学习经典实例》pdf下载在线阅读全文，求百度网盘云资源
《Python机器学习经典实例》（[美]PrateekJoshi）电子书网盘下载免费在线阅读
链接：
提取码：NMEE
书名：Python机器学习经典实例
作者: [美] Prateek Joshi
出版社: 人民邮电出版社
译者: 陶俊杰 / 陈小莉
出版年: 2017-8
页数: 264
内容简介
在如今这个处处以数据驱动的世界中，机器学习正变得越来越大众化。它已经被广泛地应用于不同领域，如搜索引擎、机器人、无人驾驶汽车等。本书首先通过实用的案例介绍机器学习的基础知识，然后介绍一些稍微复杂的机器学习算法，例如支持向量机、极端随机森林、隐马尔可夫模型、条件随机场、深度神经网络，等等。本书是为想用机器学习算法开发应用程序的Python 程序员准备的。它适合Python 初学者阅读，不过熟悉Python 编程方法对体验示例代码大有裨益。
作者简介
Prateek Joshi人工智能专家，重点关注基于内容的分析和深度学习，曾在英伟达、微软研究院、高通公司以及硅谷的几家早期创业公司任职。
Python精选5篇教学心得
Python是一种跨平台的计算机程序设计语言，是一种面向对象的动态类型语言，越来越多被用于独立的，大型项目的开发，已被逐渐广泛应用于系统管理任务的处理和Web编程。下面给大家带来一些关于Python 学习心得 ，希望对大家有所帮助。
python学习心得1
最近这段时间我们学习了很多内容，增长了很多关于Python的知识，万事万物是相通的，正如学习新的知识就像吃饭一样。
吃多了就会消化不良，反映到学习上也是一样，不知各位最近的感觉怎样，反正学记是需要一些时间好好消化，掌握到手中，为下一步的知识补齐缺口。
接下来，学记和大家一起回顾一下最近学习的内容，循序渐进，循序渐进。
分支结构
分支结构就像上图一样，是用来选择道路的。
所用的关键字是
If elif else
这三个词的意思分别是
如果 否则如果 其他的
分支语句的写法需要将与关键字与关键字对齐
循环结构
循环结构应用于一些重复的进程
通常我们只接触两种循环
for-in循环 和 while循环
for-in循环适用于
确切的知道到底循环几次
while循环适用于
不知道到底有几次循环
此时要搭配bool 来进行
即 True 和 Flase
关键字
关键字的熟练运用对于今后的开发工作
有非常重要的作用，但这么多关键字我们不能去死记硬背
只有在一个一个代码的验证当中去熟悉去掌握
那样是最可靠的
def 设置模组
len 计算字符串长度
capitalize 获得字符串首字母大写的拷贝
upper 获得字符串变大写后的拷贝
find 从字符串中查找子串所在位置
index 与find类似但找不到子串时会引发异常
startswith 检查字符串是否以指定的字符串开头
endswith 检查字符串是否以指定的字符串结尾
center 将字符串以指定的宽度居中并在两侧填充指定的字符
rjust 将字符串以指定的宽度靠右放置左侧 填充指定的字符
isdigit 检查字符串是否由数字构成
isalpha 检查字符串是否以字母构成
isalnum 检查字符串是否以数字和字母构成
append 添加元素
remove 删除元素
clear 清空元素
sorted 排序
大家可能会有些疑惑，学习这些东西真的有用吗?这些随处可见的基础方面的知识真的有用吗?
我可以非常肯定地告诉大家
有用的!
这些知识就像是建筑工地随处可见的砖石，不管这些砖石怎样的不起眼，但是没有一幢建筑可以离开砖石，学习的过程是枯燥的，不过这也正符合非常现实的一条规律。
学如逆水行舟，不进则退!
也正是因为它枯燥苦闷，学习有难度，才保证了，我们学习了这些知识以后，可以靠它们为生，在这个知识时代闯出自己的一片天!
不要放弃，绝对不要放弃!
黎明之前是最黑暗的!
为了自己的未来好好坚守吧!
青年学记 陪伴着各位青年
python学习心得2
python是一门非常有潜力的高级语言，历经多年的发展，其在编程上发挥着越来越大的作用。在这学期中，通过选修python课上的基础知识学习，我对python也有了一定的认识。而且，在字符串上的处理，python相对于c语言也是给程序员极大的便利。而python不仅如此，它的库也很多，正因为它强大的库，让编程变得不再艰难。但是，我认为python虽然在许多方 面相 对于c语言比较方便，但也有其相对于弱一点的方面，比如说for循环等方面。虽然一学期下来，我对python的学习也仅仅只是它的基础方面，但python的强大，也是足足地吸引着我，希望自己能够在不断地学习中，将python学习的更加好。
python是一门非常有潜力的高级语言，历经多年的发展，其在编程上发挥着越来越大的作用。在这学期中，通过选修python课上的基础知识学习，我对python也有了一定的认识。
在学习python的第一节课上，其对我的最初的印象就是，相较于我学习过的c语言编程，它更加的简洁。所有的变量都不需要像c语言编程那样需要提前去定义，这样给了编程者很大的自由空间与方便。如x=2，即可同时完成变量的定义与赋值。对于简化程序的代码，起到了许多的作用。而且，在字符串上的处理，python相对于c语言也是给程序员极大的便利。在c语言中，只能用字符类的数组对字符串进行相应的操作，步骤也是相对于比较繁琐的，而在python中，当我们需要创建一个字符串的时候，只需要在创建字符串的时候用“s=”就可以了。而python不仅如此，它的库也很多，正因为它强大的库，让编程变得不再艰难。我们只需要调用库中的函数，而对于函数的具体实现，也没有特殊的需求。
但是，我认为python虽然在许多方面相对于c语言比较方便，但也有其相对于弱一点的方面，比如说for循环等方面。不过也依然不会影响到python的强大，而随着近几年来的发展，python的受欢迎度也越来越高，而它的运用的领域也是越来越多，比如人工智能和大数据等领域，python都是在其中扮演者重要的角色。虽然一学期下来，我对python的学习也仅仅只是它的基础方面，但python的强大，也是足足地吸引着我，希望自己能够在不断地学习中，将python学习的更加好。
python学习心得3
由于我是自学Python，非科班出生，所以只能分享一些关于我的学习心得，如果有不对地方欢迎指正。
不过非科班出生虽然是一个痛点，但是在工作上，我其实不输给我其他同事，这点我倒是很有自信，而且我也统一一句话“目前互联网上的免费编程课程，足够让你成为一个合格的码农”。
编程入门
我刚开始学习编程，主要是因为自己想动手做个网站，但是由于技术原因，再加上朋友都比较忙，最后抱着“求人不如求己”的想法，干脆自学。
编程难不难?
这个问题我觉得所有认真学过的人，都一定会肯定告诉你编程不难，但是精通那是相当困难的。
如果你还没去学习，就觉得编程一定很难，那么其实你是没有资格说这句话的，任何事情一定是要去尝试后，才能这么说。
编程其实很像堆积木，然后根据需求，把东西造出来，可以是房子，也可以是桥梁。
学习编程无非运用这些积木，来创造你要的东西。
编程语言选择
这边说个题外话，关于当时编程语言的选择，很多时候我觉得不是你选择编程语言，而是编程语言选择你，也就是你的“本命编程语言”。
人的性格会影响你适合的编程语言，比如你做事有条理，喜欢定期清理房间，那么可能C语言很适合你;如果你不喜欢打扫房间，实在受不了，才打扫一次，可能你适合Java。
哈哈，开个玩笑，不过确实有这种很玄的存在。
我当时在编程语言的选择上，用了一个笨 方法 。
我跑到w3cschool上面，把所有编程语言的第一章都去试了一遍，看看自己喜欢哪个语言，然后就选哪个语言，如果你不知道选哪门语言，可以用我的方法试试看。
至于编程语言，没有高低之分，因为无论你学习哪门语言，你都非常有市场，而且你都能够拿到高薪，关键是哪门语言适合你，并且能够让你有兴趣学下去，能学好，这个很关键。
兴趣是学习编程最大的驱动力!
为什么是Python
说下为什么选择Python?
因为简单，Python是公认的最容易入门的编程语言，而且也是公认有发展前景的编程语言，适用于机器人、大数据、人工智商等未来高科技。
基于以上的原因，我选择Python来作为自己的入门语言，而且我觉得我适合Python这么语言。(因为我很懒)
之前有个梗，大概就是其他编程语言在讨论某个问题，怎么解决，而Python的程序员已经下班了，由此可见Python的效率。
总结 ：Python的语言特点就是“一气呵成，痛快如拉稀”。
学习心得
由于我是自学的，所以参考的网站比较多，小伙伴可以按照我的学习路线，一般来说不会出现什么问题。
基础：教程+视频
进阶：视频+实践
进阶pro：视频+实践+书籍+交流
基础
刚开始学习的时候，我比较推荐w3cschool和菜鸟教程这两个网站。
w3cschool-学编程，从w3cschool开始!
菜鸟教程 - 学的不仅是技术，更是梦想!
这两个网站在我看来，是编程自学的福音。
w3cschool这个网站手册非常棒，另外这个网站的编程微课以及编程实战对新手来说非常友好!
我当时就是靠这两个，引发我学习的乐趣，不然对着枯燥的代码，说实话，很无聊的。
菜鸟教程，这个网站的实例是最棒的，很多时候，你不仅仅要自己看教程，还要去看看为什么，而菜鸟教程的实例就能够让你清晰的知道，为什么，并且会原来如此。
总的来说，这两个网站就像新手村刚出来的剑和盾!是新手入门绝对不能少的，尤其是w3cschool，强烈推荐。
还有一个就是视频，视频我是在慕课网上面看的，我很喜欢慕课网这个网站，网站风格很棒，而且视频也很清晰。
也可以在阿里云上面看Python的视频，也很不错，并且是免费的。
进阶
进阶结束后，代表你是个初级工程师。
这一步实践非常重要，你要自己动手，做一些小玩意，实践才是最重要的，在实践中发现问题，那是学习最快并且效率最高的时刻。
你可以先给自己定下一个目标，比如我要做一个简单的页面，或者我要做一个简单的小程序。
然后就开始动手去实践，这步很重要。
同时还是要多看书籍。
进阶pro
到这一步，我建议务必买书，你需要书籍帮你反向梳理你的知识，这决定了你以后的高度，而不是这个也懂，那个也懂，但是东西就是做不出来。
我记得当时我买完书，看完后的第一感受就是：原来这个世界是这样的!
书会非常系统性的帮你梳理你自己学过的知识!
这里只推荐两本书：《Python入门手册》和《Python核心编程》
小伙伴可以自己去亚马逊购买。
然后就是和身边的小伙伴交流!
多看看别人的代码，自己多敲敲代码，是必经之路，也是一定要做的。
以上，希望对想入门Python的小伙伴能够提供一点点帮助。
python学习心得4
017年11月，一群编程零基础的小伙伴们成立了Python学习小组，12名学员从此夜以继日地奔赴学习的征程。一个月过去了，从在屏幕上用最简单的语句打印出“Hello, Python; Hello, World”开始，我们逐步地学习Python语法，学习操作列表、字典，学习For，While，If语句，现在遇到了第一个难点：类。通过研读、练习、交流、讨论，作为程序界的小白，我们逐步地理解了类的概念，明白了面向对象与面向过程编程的差异，以下是我们的小小心得，与大家分享：
编程基本思想
现实世界中，每个复杂的事务都可以拆分为多个组成部分，其中的每一部分就可称之为对象。比如要实现一个很大很复杂的项目，我们可以把项目拆分成不同的组成部分，然后分别对不同部分通过编程实现，最终再把各个部分组装起来完成整个项目。这让我们能够从整体上来控制项目，从而让程序开发更有效。
比如汽车制造，汽车厂所做的仅仅是各个部件的组装和匹配，而各个部件的生产是由相对专业的厂商完成。如果需要研发新型号汽车，整车厂所考虑的是如何对各个新式的零部件进行新的组装和匹配，而不是从头到尾重新生产一辆汽车。
面向对象的编程
VS
面向过程的编程
面向过程编程是针对一个需求的具体实现过程，但是对于大型项目的复杂需求，一步一步的做，这种编程效率显然是低下的。
面向对象编程则是对项目进行拆分后(一般按照功能拆分)，分别实现，再将各个对象组装起来。因此简单的小程序使用面向过程方法编程更适合。面向对象的编程特性是易维护(可读性高)，效率高，质量高(重用性)，扩展性好(高内聚,低耦合)。
对象
通俗的讲，对象就是事物，一个公司、一个部门、一个人，甚至一本书都可以是一个对象，程序员可以自由决定把什么作为对象。
比如eHR系统，需要对组织架构，员工进行管理，所以使用的对象可能是公司，部门，岗位，员工，等等。对象可大可小，可复杂也可简单，如果仅仅是做一个考勤系统，员工这个对象一定要比eHR系统中的员工对象简单。
类
现实世界中，类代表一组有共同特性的事物，把不同对象之间的共性抽象出来，就形成类的概念。比如说男人、女人可以抽象成人这个类;处长、秘书可以抽象成员工类。至于类如何去抽象，粒度的粗细，这是一个需要在学习和实践中摸索的过程。
实例
以下是一个实例，大家体会一下：
1. 定义父类：
class Employee:
def __init__(self, name, age): #抽象员工共性(名字，年龄)
self.name = name
self.age = age
def signON(self):
print(self.name+" sign on.") #抽象签到的动作
def work(self):
print(self.name + " on work.") #抽象工作的动作
2. 继承出子类：
class MEmployee(Employee): #继承父类的共性
def __init__(self, name, age):
super().__init__(name, age)
def work(self): #重写子类的方法(抽象出从事管理岗位工作的动作)
print(self.name + " on manager_work.")
3. 继承出第二个子类：
class TEmployee(Employee):
def __init__(self, name, age, devLanguage): #继承父类的共性，增加语言的属性
super().__init__(name, age)
self.devLanguage = devLanguage
def work(self): #重写子类的方法(抽象出从事技术岗位工作的动作)
print(self.name + " on technology_work.")
def showLanguage(self): #增加子类的方法(抽象出会某种编程语言的动作)
print("use "+self.devLanguage+" language.")
在上面的程序中，我们先定义了一个父类：包含员工的姓名、年龄等一般特性，可以执行签到、工作这两类动作。在第一个子类中，管理层在前面一般特性的基础上，执行管理工作;在第二个子类中，作为一般员工在前面一般特性的基础上，执行技术工作，从事编程。
python学习心得5
1、定义方法
关键字 def 是方法定义的标志。接下来紧跟方法名和被圆括号所包围的参数列表。方法的主
体语句将在下一行开始并且必须缩进。
方法主体的首句可选择性地是一句字符，用来说明方法的主要功能
例如：
"""print a finabo series up to n."""
2、默认参数值
默认值仅被设置一次，这与以前默认值为可变对象(如列表、字典和多数类实
例时)有很大的区别。
例如：
i=5
def f(arg=i):
print(arg)
i=6
f()
将会输出 5
3、关键字参数
可以通过形式关键字参数调用方法
在方法调用中，关键字参数必须遵循位置参数。 所有的关键参数必须符合方法接受的参数
其中之一。但是他们的次序不重要，这包含非选择的参数。没有参数可以多次接受一个值。
当最后一个形参是__ name 时，它可以接受包含除了形式参数之外的所有关键字的字典，
_ name 必须在__ name 之前出现
4、可变参数列表
正常来说，这些可变参数常常放在正式参数列表的后面，因为它们会包揽所有传递给该方法
的剩余输入参数。任何出现在_ args 参数后低的正式参数会被认为是关键字参数，意味着它
们只能当关键字使用而不是位置参数。
def concat(_ args,sep="/"):
...returnsep.join(args)
...
concat("earth","mars","venus")
’earth/mars/venus’
concat("earth","mars","venus", sep=".")
’earth.mars.venus’
5、拆分参数列表
当参数已经存在列表或者元组中，但是需要分拆以供要求分离位置参数调用的方法，如果单独
分开它们无法使用，就需要写一个方法用 _ 操作符来调用实现分拆列表或者元组中的参数。
同样的使用形式，字典可以用__ 操作符实现关键字参数。
6、形式
lamdba a,b:a+b 该函数表示两个数的和，像内嵌函数
7、代码风格
对于 python，PEP8 作为许多项目应该遵守的编码指导书而做的。 它提出了一种可读而悦
目的编码风格。 每位 python 开发者应该读它。这里抽出一个重要的事项与你分享 ：
? 用四个空格代替 tab 键
? 每行不要超过 79 个字符。
? 用空行分离方法和类，大块代码中的方法。
? 必要的时候为每行添加注释。
? 用文档字符串
? 在操作符两边用空格
? 用统一的风格命名自定义的方法和类
? 如果你的代码打算用在国际环境中，请不要用想象的字符编码。Python 默认的是
utf-8,在任何情况下可以用 Ascii .
? 同样的，即使有很少机会让说不同语言的人们读代码或者维护代码，但在定义中不
要用非 ASCII 编码字符。
结合实例说明学习迁移的种类。
1
）正迁移与负迁移
,
零迁移（
2
）水平迁移与垂直迁移
（
3
）一般迁移与具体迁移（
4
）同化性迁移、顺应性迁移与重组性迁移
（
5
）顺向迁移与逆向迁移
Python中的9个代码小实例！
1、 串联比较
2、串联函数调用
3、复制列表
4、字典获取元素值
5、 按值排序字典
6、 For Else
7、列表转换为逗号分隔的字符串
8、 合并字典
9、寻找列表中最大和最小元素的索引
若有不明白的地方，请移步Python视频教程继续学习！！
13个最常用的Python深度学习库介绍
13个最常用的Python深度学习库介绍
如果你对深度学习和卷积神经网络感兴趣，但是并不知道从哪里开始，也不知道使用哪种库，那么这里就为你提供了许多帮助。
在这篇文章里，我详细解读了9个我最喜欢的Python深度学习库。
这个名单并不详尽，它只是我在计算机视觉的职业生涯中使用并在某个时间段发现特别有用的一个库的列表。
这其中的一些库我比别人用的多很多，尤其是Keras、mxnet和sklearn-theano。
其他的一些我是间接的使用，比如Theano和TensorFlow（库包括Keras、deepy和Blocks等）。
另外的我只是在一些特别的任务中用过（比如nolearn和他们的Deep Belief Network implementation）。
这篇文章的目的是向你介绍这些库。我建议你认真了解这里的每一个库，然后在某个具体工作情境中你就可以确定一个最适用的库。
我想再次重申，这份名单并不详尽。此外，由于我是计算机视觉研究人员并长期活跃在这个领域，对卷积神经网络（细胞神经网络）方面的库会关注更多。
我把这个深度学习库的列表分为三个部分。
第一部分是比较流行的库，你可能已经很熟悉了。对于这些库，我提供了一个通俗的、高层次的概述。然后，针对每个库我详细解说了我的喜欢之处和不喜欢之处，并列举了一些适当的应用案例。
第二部分进入到我个人最喜欢的深度学习库，也是我日常工作中使用最多的，包括：Keras、mxnet和sklearn-theano等。
最后，我对第一部分中不经常使用的库做了一个“福利”板块，你或许还会从中发现有用的或者是在第二板块中我还没有尝试过但看起来很有趣的库。
接下来就让我们继续探索。
针对初学者：
Caffe
提到“深度学习库”就不可能不说到Caffe。事实上，自从你打开这个页面学习深度学习库，我就敢打保票你肯定听说Caffe。
那么，究竟Caffe是什么呢？
Caffe是由Berkeley Vision and Learning Center（BVLC）建立的深度学习框架。它是模块化的，速度极快。而且被应用于学术界和产业界的start-of-the-art应用程序中。
事实上，如果你去翻阅最新的深度学习出版物（也提供源代码），你就很可能会在它们相关的GitHub库中找到Caffe模型。
虽然Caffe本身并不是一个Python库，但它提供绑定到Python上的编程语言。我们通常在新领域开拓网络的时候使用这些绑定。
我把Caffe放在这个列表的原因是它几乎被应用在各个方面。你可以在一个空白文档里定义你的模型架构和解决方案，建立一个JSON文件类型的.prototxt配置文件。Caffe二进制文件提取这些.prototxt文件并培训你的网络。Caffe完成培训之后，你可以把你的网络和经过分类的新图像通过Caffe二进制文件，更好的就直接通过Python或MATLAB的API。
虽然我很喜欢Caffe的性能（它每天可以在K40 GPU上处理60万张图片），但相比之下我更喜欢Keras和mxnet。
主要的原因是，在.prototxt文件内部构建架构可能会变得相当乏味和无聊。更重要的是， Caffe不能用编程方式调整超参数！由于这两个原因，在基于Python的API中我倾向于对允许我实现终端到终端联播网的库倾斜（包括交叉验证和调整超参数）。
Theano
在最开始我想说Theano是美丽的。如果没有Theano，我们根本不会达到现有的深度学习库的数量（特别是在Python）。同样的，如果没有numpy，我们就不会有SciPy、scikit-learn和 scikit-image,，同样可以说是关于Theano和深度学习更高级别的抽象。
非常核心的是，Theano是一个Python库，用来定义、优化和评估涉及多维数组的数学表达式。 Theano通过与numpy的紧密集成，透明地使用GPU来完成这些工作。
虽然可以利用Theano建立深度学习网络，但我倾向于认为Theano是神经网络的基石，同样的numpy是作为科学计算的基石。事实上，大多数我在文章中提到的库都是围绕着Theano，使自己变得更加便利。
不要误会我的意思，我爱Theano，我只是不喜欢用Theano编写代码。
在Theano建设卷积神经网络就像只用本机Python中的numpy写一个定制的支持向量机（SVM），当然这个对比并不是很完美。
你可以做到吗？
当然可以。
它值得花费您的时间和精力吗？
嗯，也许吧。这取决于你是否想摆脱低级别或你的应用是否需要。
就个人而言，我宁愿使用像Keras这样的库，它把Theano包装成更有人性化的API，同样的方式，scikit-learn使机器学习算法工作变得更加容易。
TensorFlow
与Theano类似，TensorFlow是使用数据流图进行数值计算的开源库（这是所有神经网络固有的特征）。最初由谷歌的机器智能研究机构内的Google Brain Team研究人员开发，此后库一直开源，并提供给公众。
相比于Theano ，TensorFlow的主要优点是分布式计算，特别是在多GPU的环境中（虽然这是Theano正在攻克的项目）。
除了用TensorFlow而不是Theano替换Keras后端，对于TensorFlow库我并没有太多的经验。然而在接下来的几个月里，我希望这有所改变。
Lasagne
Lasagne是Theano中用于构建和训练网络的轻量级库。这里的关键词是轻量级的，也就意味着它不是一个像Keras一样围绕着Theano的重包装的库。虽然这会导致你的代码更加繁琐，但它会把你从各种限制中解脱出来，同时还可以让您根据Theano进行模块化的构建。
简而言之：Lasagne的功能是Theano的低级编程和Keras的高级抽象之间的一个折中。
我最喜欢的：
Keras
如果我必须选出一个最喜欢的深度学习Python库，我将很难在Keras和mxnet中做出抉择——但最后，我想我会选Keras。
说真的，Keras的好处我说都说不完。
Keras是一个最低限度的、模块化的神经网络库，可以使用Theano或TensorFlow作为后端。Keras最主要的用户体验是，从构思到产生结果将会是一个非常迅速的过程。
在Keras中架构网络设计是十分轻松自然的。它包括一些state-of-the-art中针对优化（Adam，RMSProp）、标准化（BatchNorm）和激活层（PReLU，ELU，LeakyReLU）最新的算法。
Keras也非常注重卷积神经网络，这也是我十分需要的。无论它是有意还是无意的，我觉得从计算机视觉的角度来看这是非常有价值的。
更重要的是，你既可以轻松地构建基于序列的网络（其中输入线性流经网络）又可以创建基于图形的网络（输入可以“跳过”某些层直接和后面对接）。这使得创建像GoogLeNet和SqueezeNet这样复杂的网络结构变得容易得多。
我认为Keras唯一的问题是它不支持多GPU环境中并行地训练网络。这可能会也可能不会成为你的大忌。
如果我想尽快地训练网络，那么我可能会使用mxnet。但是如果我需要调整超参数，我就会用Keras设置四个独立的实验（分别在我的Titan X GPUs上运行）并评估结果。
mxnet
我第二喜欢的深度学习Python库无疑就是mxnet（重点也是训练图像分类网络）。虽然在mxnet中站立一个网络可能需要较多的代码，但它会提供给你惊人数量的语言绑定（C ++、Python、R、JavaScript等）。
Mxnet库真正出色的是分布式计算，它支持在多个CPU / GPU机训练你的网络，甚至可以在AWS、Azure以及YARN集群。
它确实需要更多的代码来设立一个实验并在mxnet上运行（与Keras相比），但如果你需要跨多个GPU或系统分配训练，我推荐mxnet。
sklearn-theano
有时候你并不需要终端到终端的培养一个卷积神经网络。相反，你需要把CNN看作一个特征提取器。当你没有足够的数据来从头培养一个完整的CNN时它就会变得特别有用。仅仅需要把你的输入图像放入流行的预先训练架构，如OverFeat、AlexNet、VGGNet或GoogLeNet，然后从FC层提取特征（或任何您要使用的层）。
总之，这就是sklearn-theano的功能所在。你不能用它从头到尾的训练一个模型，但它的神奇之处就是可以把网络作为特征提取器。当需要评估一个特定的问题是否适合使用深度学习来解决时，我倾向于使用这个库作为我的第一手判断。
nolearn
我在PyImageSearch博客上用过几次nolearn，主要是在我的MacBook Pro上进行一些初步的GPU实验和在Amazon EC2 GPU实例中进行深度学习。
Keras把 Theano和TensorFlow包装成了更具人性化的API，而nolearn也为Lasagne做了相同的事。此外，nolearn中所有的代码都是与scikit-learn兼容的，这对我来说绝对是个超级的福利。
我个人不使用nolearn做卷积神经网络（CNNs），但你当然也可以用（我更喜欢用Keras和mxnet来做CNNs）。我主要用nolearn来制作Deep Belief Networks (DBNs)。
DIGITS
DIGITS并不是一个真正的深度学习库（虽然它是用Python写的）。DIGITS（深度学习GPU培训系统）实际上是用于培训Caffe深度学习模式的web应用程序（虽然我认为你可以破解源代码然后使用Caffe以外其他的后端进行工作，但这听起来就像一场噩梦）。
如果你曾经用过Caffe，那么你就会知道通过它的终端来定义.prototxt文件、生成图像数据、运行网络并监管你的网络训练是相当繁琐的。 DIGITS旨在通过让你在浏览器中执行这些任务来解决这个问题。
此外，DIGITS的用户界面非常出色，它可以为你提供有价值的统计数据和图表作为你的模型训练。另外，你可以通过各种输入轻松地可视化网络中的激活层。最后，如果您想测试一个特定的图像，您可以把图片上传到你的DIGITS服务器或进入图片的URL，然后你的Caffe模型将会自动分类图像并把结果显示在浏览器中。干净利落！
Blocks
说实话，虽然我一直想尝试，但截至目前我的确从来没用过Blocks（这也是我把它包括在这个列表里的原因）。就像许多个在这个列表中的其他库一样，Blocks建立在Theano之上，呈现出一个用户友好型的API。
deepy
如果让你猜deepy是围绕哪个库建立的，你会猜什么？
没错，就是Theano。
我记得在前一段时间用过deepy（做了初始提交），但在接下里的大概6-8个月我都没有碰它了。我打算在接下来的博客文章里再尝试一下。
pylearn2
虽然我从没有主动地使用pylearn2，但由于历史原因，我觉得很有必要把它包括在这个列表里。 Pylearn2不仅仅是一般的机器学习库（地位类似于scikit-learn），也包含了深度学习算法的实现。
对于pylearn2我最大的担忧就是（在撰写本文时），它没有一个活跃的开发者。正因为如此，相比于像Keras和mxnet这样的有积极维护的库，推荐pylearn2我还有些犹豫。
Deeplearning4j
这本应是一个基于Python的列表，但我想我会把Deeplearning4j包括在这里，主要是出于对他们所做事迹的无比崇敬——Deeplearning4j为JVM建立了一个开源的、分布式的深度学习库。
如果您在企业工作，你可能会有一个塞满了用过的Hadoop和MapReduce服务器的储存器。也许这些你还在用，也许早就不用了。
你怎样才能把这些相同的服务器应用到深度学习里？
事实证明是可以的——你只需要Deeplearning4j。
总计
以上就是本文关于13个最常用的Python深度学习库介绍的全部内容
python怎么学习？
学习Python编程技术的流程与步骤，自学与参加培训学习都适用。
一、清楚学习目标
无论是学习什么知识，都要有一个对学习目标的清楚认识。只有这样才能朝着目标持续前进，少走弯路，从学习中得到不断的提升，享受python学习计划的过程。
虽然目前的编程语言有很多，但是基础语法上的概念，本质上都是相通的。可以做到一通百通。所以没有必要为了学哪门语言纠结太多。
python是目前市面上，我个人认为是最简洁最优雅最有钱途最全能的编程语言，没有之一。所以既然你决定了要学习python，那么就需要先下一个决心，至少决定要作为自己的主力语言。
python是全能语言，社区庞大，有太多的库和框架。你只需要找到合适的工具来实现想法，省去了造轮子的精力。
coder可以写尽可能少的代码来实现同等的功能。“人生苦短，我用python”是至理名言。
如果实现一个中等业务复杂度的项目，在相同的时间要求内，用java实现要4-5个码农的话，用python实现也许只需要1个。这就是python最大的优势了。
二、基本python 知识学习
1. 了解Python是什么，都能做些什么？
2. 知道什么是变量、算法、解释器
3. Python基本数据类型
4. 列表和元组的操作方法
5. 字符串操作方法
6. 基本的字典操作方法
以上这些可以略微掌握之后就进行下一步，遇到忘记不会的可以再参考一下书和笔记。
虽然看书学编辑是效率最低的事情。且不说书的内容基本过时。就是比较较的翻译也很晦涩，照书写了代码跑不通，不断报错。是很打击学习积极性的。
不过，介绍语法的基础书，还是可以买一本，作为手册查阅之用。这类基础书籍买一本就好，找个周末休息时间，一天便可看完。
三、掌握Python的条件、循环和相关的执行语句
任何知识它的基础知识都是有些枯燥的，现在我们就可以动手来做一些逻辑层面的东西了。掌握 if、else、elif、while、for、continue、break和列表推导式等这些语句的使用，还有程序中的异常处理。
四、面对对象知识
面对对象OOP，更高层次的Python程序结构，代码的重用避免代码冗余，打包你的代码，函数的参数、作用域等。
类，可以帮助我们减少大量的开发时间，提高编程的效率，对中大型项目十分关键。
五、项目实践
在这个阶段，一定要多动手实践，查找和处理过程中遇到的错误和异常，遇到问题多上网搜索，也可以参考公众号内的一些文章，或者加上咱们文章下方的老师领取合适的项目实例。
在成功的解决了这些问题之后，会有一种很大的成就感，这样一个良性循环，才是你学习Python这类程序语言的最大动力。
以上是小姐姐总结学习Python的步骤和流程。当然参加我们的Python培训课程，可以更快速、系统全面地掌握Python的各种知识。通过课后习题，让大家动手动脑的参与，课后问题解答会让你茅塞顿开。
培训班还会有很多实用的Python项目，从零开始带领大家一块解决项目遇到的问题，避免浪费大量精力和时间。最终让大家可以自行编写想要的各种Python程序。
六：缺点
当然任何一门语言都有缺点，Python也不例外。小姐姐认为学习一门语言不仅需要清楚的知道学习步骤，做到心中有规划。也需要适当的了解一下他的缺点，也是为了更好的掌握、完善。
1、第一个缺点就是运行速度和C程序比要慢很多，因为Python是解释型语言，代码在执行时会一行一行地翻译成CPU能理解的机器码，这个翻译过程非常耗时，所以很慢。
2、第二个缺点就是代码不能加密。如果要发布你的Python程序实际上就是发布源代码，还好我们大部分用python是来写应用程序,给用户提供服务的，用户其实不需要也不关心你的源码。
