空间管理您的位置: 51Testing软件测试网 » liqianqian1116的个人空间 » 日志

整理了27个Python人工智能库，一定要收藏（1）

上一篇 / 下一篇 2022-08-22 10:59:56

　　1、Numpy

　　NumPy(Numerical Python)是 Python的一个扩展程序库，支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库，Numpy底层使用C语言编写，数组中直接存储对象，而不是存储对象指针，所以其运算效率远高于纯Python代码。

　　我们可以在示例中对比下纯Python与使用Numpy库在计算列表sin值的速度对比：

　　import numpy as np

　　import math

　　import random

　　import time

　　start = time.time()

　　for i in range(10):

　　 list_1 = list(range(1,10000))

　　 for j in range(len(list_1)):

　　 list_1[j] = math.sin(list_1[j])

　　print("使用纯Python用时{}s".format(time.time()-start))

　　start = time.time()

　　for i in range(10):

　　 list_1 = np.array(np.arange(1,10000))

　　 list_1 = np.sin(list_1)

　　print("使用Numpy用时{}s".format(time.time()-start))

　　从如下运行结果，可以看到使用 Numpy 库的速度快于纯 Python 编写的代码：

　　使用纯Python用时0.017444372177124023s

　　使用Numpy用时0.001619577407836914s

　　2、OpenCV

　　OpenCV 是一个的跨平台计算机视觉库，可以运行在 Linux、Windows 和 Mac OS 操作系统上。它轻量级而且高效——由一系列 C 函数和少量 C++ 类构成，同时也提供了 Python 接口，实现了图像处理和计算机视觉方面的很多通用算法。

　　下面代码尝试使用一些简单的滤镜，包括图片的平滑处理、高斯模糊等：

　　import numpy as np

　　import cv2 as cv

　　from matplotlib import pyplot as plt

　　img = cv.imread('h89817032p0.png')

　　kernel = np.ones((5,5),np.float32)/25

　　dst = cv.filter2D(img,-1,kernel)

　　blur_1 = cv.GaussianBlur(img,(5,5),0)

　　blur_2 = cv.bilateralFilter(img,9,75,75)

　　plt.figure(figsize=(10,10))

　　plt.subplot(221),plt.imshow(img[:,:,::-1]),plt.title('Original')

　　plt.xticks([]), plt.yticks([])

　　plt.subplot(222),plt.imshow(dst[:,:,::-1]),plt.title('Averaging')

　　plt.xticks([]), plt.yticks([])

　　plt.subplot(223),plt.imshow(blur_1[:,:,::-1]),plt.title('Gaussian')

　　plt.xticks([]), plt.yticks([])

　　plt.subplot(224),plt.imshow(blur_1[:,:,::-1]),plt.title('Bilateral')

　　plt.xticks([]), plt.yticks([])

　　plt.show()

OpenCV

　　3、Scikit-image

　　scikit-image是基于scipy的图像处理库，它将图片作为numpy数组进行处理。

　　例如，可以利用scikit-image改变图片比例，scikit-image提供了rescale、resize以及downscale_local_mean等函数。

　　from skimage import data, color, io

　　from skimage.transform import rescale, resize, downscale_local_mean

　　image = color.rgb2gray(io.imread('h89817032p0.png'))

　　image_rescaled = rescale(image, 0.25, anti_aliasing=False)

　　image_resized = resize(image, (image.shape[0] // 4, image.shape[1] // 4),

　　 anti_aliasing=True)

　　image_downscaled = downscale_local_mean(image, (4, 3))

　　plt.figure(figsize=(20,20))

　　plt.subplot(221),plt.imshow(image, cmap='gray'),plt.title('Original')

　　plt.xticks([]), plt.yticks([])

　　plt.subplot(222),plt.imshow(image_rescaled, cmap='gray'),plt.title('Rescaled')

　　plt.xticks([]), plt.yticks([])

　　plt.subplot(223),plt.imshow(image_resized, cmap='gray'),plt.title('Resized')

　　plt.xticks([]), plt.yticks([])

　　plt.subplot(224),plt.imshow(image_downscaled, cmap='gray'),plt.title('Downscaled')

　　plt.xticks([]), plt.yticks([])

　　plt.show()

Scikit-image

　　4、PIL

　　Python Imaging Library(PIL) 已经成为 Python 事实上的图像处理标准库了，这是由于，PIL 功能非常强大，但API却非常简单易用。

　　但是由于PIL仅支持到 Python 2.7，再加上年久失修，于是一群志愿者在 PIL 的基础上创建了兼容的版本，名字叫 Pillow，支持最新 Python 3.x，又加入了许多新特性，因此，我们可以跳过 PIL，直接安装使用 Pillow。

　　5、Pillow

　　使用 Pillow 生成字母验证码图片：

　　from PIL import Image, ImageDraw, ImageFont, ImageFilter

　　import random

　　# 随机字母:

　　def rndChar():

　　 return chr(random.randint(65, 90))

　　# 随机颜色1:

　　def rndColor():

　　 return (random.randint(64, 255), random.randint(64, 255), random.randint(64, 255))

　　# 随机颜色2:

　　def rndColor2():

　　 return (random.randint(32, 127), random.randint(32, 127), random.randint(32, 127))

　　# 240 x 60:

　　width = 60 * 6

　　height = 60 * 6

　　image = Image.new('RGB', (width, height), (255, 255, 255))

　　# 创建Font对象:

　　font = ImageFont.truetype('/usr/share/fonts/wps-office/simhei.ttf', 60)

　　# 创建Draw对象:

　　draw = ImageDraw.Draw(image)

　　# 填充每个像素:

　　for x in range(width):

　　 for y in range(height):

　　 draw.point((x, y), fill=rndColor())

　　# 输出文字:

　　for t in range(6):

　　 draw.text((60 * t + 10, 150), rndChar(), font=font, fill=rndColor2())

　　# 模糊:

　　image = image.filter(ImageFilter.BLUR)

　　image.save('code.jpg', 'jpeg')

验证码

　　6、SimpleCV

　　SimpleCV 是一个用于构建计算机视觉应用程序的开源框架。使用它，可以访问高性能的计算机视觉库，如 OpenCV，而不必首先了解位深度、文件格式、颜色空间、缓冲区管理、特征值或矩阵等术语。但其对于 Python3 的支持很差很差，在 Python3.7 中使用如下代码：

　　from SimpleCV import Image, Color, Display

　　# load an image from imgur

　　img = Image('http://i.imgur.com/lfAeZ4n.png')

　　# use a keypoint detector to find areas of interest

　　feats = img.findKeypoints()

　　# draw the list of keypoints

　　feats.draw(color=Color.RED)

　　# show the resulting image.

　　img.show()

　　# apply the stuff we found to the image.

　　output = img.applyLayers()

　　# save the results.

　　output.save('juniperfeats.png')

　　会报如下错误，因此不建议在 Python3 中使用：

　　SyntaxError: Missing parentheses in call to 'print'. Did you mean print('unit test')

　　7、Mahotas

　　Mahotas 是一个快速计算机视觉算法库，其构建在 Numpy 之上，目前拥有超过100种图像处理和计算机视觉功能，并在不断增长。

　　使用 Mahotas 加载图像，并对像素进行操作：

　　import numpy as np

　　import mahotas

　　import mahotas.demos

　　from mahotas.thresholding import soft_threshold

　　from matplotlib import pyplot as plt

　　from os import path

　　f = mahotas.demos.load('lena', as_grey=True)

　　f = f[128:,128:]

　　plt.gray()

　　# Show the data:

　　print("Fraction of zeros in original image: {0}".format(np.mean(f==0)))

　　plt.imshow(f)

　　plt.show()

Mahotas

　　8、Ilastik

　　Ilastik 能够给用户提供良好的基于机器学习的生物信息图像分析服务，利用机器学习算法，轻松地分割，分类，跟踪和计数细胞或其他实验数据。大多数操作都是交互式的，并不需要机器学习专业知识。

　　9、Scikit-learn

　　Scikit-learn 是针对 Python 编程语言的免费软件机器学习库。它具有各种分类，回归和聚类算法，包括支持向量机，随机森林，梯度提升，k均值和 DBSCAN 等多种机器学习算法。

　　使用Scikit-learn实现KMeans算法：

　　import time

　　import numpy as np

　　import matplotlib.pyplot as plt

　　from sklearn.cluster import MiniBatchKMeans, KMeans

　　from sklearn.metrics.pairwise import pairwise_distances_argmin

　　from sklearn.datasets import make_blobs

　　# Generate sample data

　　np.random.seed(0)

　　batch_size = 45

　　centers = [[1, 1], [-1, -1], [1, -1]]

　　n_clusters = len(centers)

　　X, labels_true = make_blobs(n_samples=3000, centers=centers, cluster_std=0.7)

　　# Compute clustering with Means

　　k_means = KMeans(init='k-means++', n_clusters=3, n_init=10)

　　t0 = time.time()

　　k_means.fit(X)

　　t_batch = time.time() - t0

　　# Compute clustering with MiniBatchKMeans

　　mbk = MiniBatchKMeans(init='k-means++', n_clusters=3, batch_size=batch_size,

　　 n_init=10, max_no_improvement=10, verbose=0)

　　t0 = time.time()

　　mbk.fit(X)

　　t_mini_batch = time.time() - t0

　　# Plot result

　　fig = plt.figure(figsize=(8, 3))

　　fig.subplots_adjust(left=0.02, right=0.98, bottom=0.05, top=0.9)

　　colors = ['#4EACC5', '#FF9C34', '#4E9A06']

　　# We want to have the same colors for the same cluster from the

　　# MiniBatchKMeans and the KMeans algorithm. Let's pair the cluster centers per

　　# closest one.

　　k_means_cluster_centers = k_means.cluster_centers_

　　order = pairwise_distances_argmin(k_means.cluster_centers_,

　　 mbk.cluster_centers_)

　　mbk_means_cluster_centers = mbk.cluster_centers_[order]

　　k_means_labels = pairwise_distances_argmin(X, k_means_cluster_centers)

　　mbk_means_labels = pairwise_distances_argmin(X, mbk_means_cluster_centers)

　　# KMeans

　　for k, col in zip(range(n_clusters), colors):

　　 my_members = k_means_labels == k

　　 cluster_center = k_means_cluster_centers[k]

　　 plt.plot(X[my_members, 0], X[my_members, 1], 'w',

　　 markerfacecolor=col, marker='.')

　　 plt.plot(cluster_center[0], cluster_center[1], 'o', markerfacecolor=col,

　　 markeredgecolor='k', markersize=6)

　　plt.title('KMeans')

　　plt.xticks(())

　　plt.yticks(())

　　plt.show()

KMeans

　　10、SciPy

　　SciPy 库提供了许多用户友好和高效的数值计算，如数值积分、插值、优化、线性代数等。

　　SciPy 库定义了许多数学物理的特殊函数，包括椭圆函数、贝塞尔函数、伽马函数、贝塔函数、超几何函数、抛物线圆柱函数等等。

　　from scipy import special

　　import matplotlib.pyplot as plt

　　import numpy as np

　　def drumhead_height(n, k, distance, angle, t):

　　 kth_zero = special.jn_zeros(n, k)[-1]

　　 return np.cos(t) * np.cos(n*angle) * special.jn(n, distance*kth_zero)

　　theta = np.r_[0:2*np.pi:50j]

　　radius = np.r_[0:1:50j]

　　x = np.array([r * np.cos(theta) for r in radius])

　　y = np.array([r * np.sin(theta) for r in radius])

　　z = np.array([drumhead_height(1, 1, r, theta, 0.5) for r in radius])

　　fig = plt.figure()

　　ax = fig.add_axes(rect=(0, 0.05, 0.95, 0.95), projection='3d')

　　ax.plot_surface(x, y, z, rstride=1, cstride=1, cmap='RdBu_r', vmin=-0.5, vmax=0.5)

　　ax.set_xlabel('X')

　　ax.set_ylabel('Y')

　　ax.set_xticks(np.arange(-1, 1.1, 0.5))

　　ax.set_yticks(np.arange(-1, 1.1, 0.5))

　　ax.set_zlabel('Z')

　　plt.show()

整理了27个Python人工智能库，一定要收藏（1）

相关阅读:

用户菜单

标题搜索

日历

我的存档

数据统计

RSS订阅