如何理解Python庫

這篇文章主要講解了“如何理解Python庫”，文中的講解內容簡單清晰，易于學習與理解，下面請大家跟著小編的思路慢慢深入，一起來研究和學習“如何理解Python庫”吧！

1. Typer

你可能并不怎么需要寫CLI應用程序，但在有些時候還是需要用到，在FastAPI取得巨大成功之后，tiangolo使用同樣的原理開發了typo，這是一個新的庫，它允許你利用Python  3.6+的類型提示特性來編寫命令行接口。

這樣的設計除了可以確保你的代碼得到適當的文檔化，你還可以更快速的得到一個帶有驗證的CLI界面。通過使用類型提示，你可以在編輯器(如VSCode)代碼自動補全，大大提高了你的工作效率。

為了增強它的特性，Typer還能配合命令行神器Click使用，這意味著Typer可以充分利用Click的所有優點和插件，并根據自己的需求實現更加復雜的功能。

開源地址：https://github.com/tiangolo/typer

2. Rich

誰說終端應用程序就一定是單一的黑白色?其實它也可以是彩色的。

你想要在終端添加顏色和樣式么?你想要你的終端可以快速打印復雜的表么?你想要輕松地顯示漂亮的進度條、Emojis么?以上這些功能通通都可以在Rich中實現，看看下面的示例截圖你就懂了：

這個庫將終端應用程序的體驗提升到了一個全新的水平。

開源地址：https://github.com/willmcgugan/rich

3. Dear PyGui

盡管Rich可以讓你的終端應用程序變得很漂亮，但有時這還不夠，你更需要的是一個真正的GUI，Dear PyGui是一個便于使用、功能強大的Python  GUI框架。

Dear PyGui使用了在電子游戲中很流行的即時模式范式。這基本上意味著動態GUI是逐幀獨立繪制的，不需要持久化任何數據。這也是Dear  PyGui與其他Python GUI框架不同的地方，Dear PyGui的高性能，是你在工程、模擬、游戲或數據科學應用程序中經常需要用到的。

Dear PyGui支持Windows 10 (DirectX 11), Linux (OpenGL 3) and MacOS (Metal)

開源地址：https://github.com/hoffstadt/DearPyGui

4. PrettyErrors

PrettyErrors是一個精簡Python錯誤信息的工具，PrettyErrors只做一件事，它支持在終端進行彩色輸出，標注出文件棧蹤跡。這樣一來，你就不需要掃描整個屏幕來找到異常的部分。

開源地址：https://github.com/onelivesleft/PrettyErrors

5. Diagrams

我們程序員喜歡解決問題和編寫代碼，但有時，我們需要向其他同事解釋復雜的架構設計，作為項目文檔的一部分。一般情況下，我們會使用GUI工具處理圖表，并將文稿進行可視化處理。但是還有更好的方法。

Diagrams可以讓你在沒有任何設計工具的情況下直接用Python代碼繪制云系統架構，它的圖標對包括括AWS、Azure、GCP在內的幾家云服務提供商來說都很有用。這使得創建箭頭和組變得非常容易，而且只需要幾行代碼就能實現。

開源地址：https://github.com/mingrammer/diagrams

6. Hydra and OmegaConf

在機器學習項目中做研究和實驗時，總是有無數的設置可以嘗試，在重要的應用程序中，配置管理可能會變得非常復雜，如果有一種結構化的方法來處理這些難題就好了。

Hydra允許你以一種可組合的方式構建配置，并從命令行或配置文件中覆蓋某些部分。下面舉個例子，關于如何使用Hydra定義一個基本配置，然后用它們運行多個不容的任務：

python train_model.py variation=option_a,option_b

開源地址：https://github.com/facebookresearch/hydra

7. PyTorch Lightning

每一個能夠提高數據科學團隊生產力的工具都是非常寶貴的。PyTorch  Lightning通過將科學與工程分離的方式來提高效率，它有點像TensorFlow的Keras，在某種意義上，它可以使你的代碼更加簡潔，不過它依然還是PyTorch，你依然可以訪問所有常用的api。

這個庫能夠使DL / ML研究的40多個部分實現自動化，例如GPU訓練、分布式GPU(集群)訓練、TPU訓練等等……

開源地址：https://github.com/PyTorchLightning/PyTorch-lightning

8. Hummingbird

Hummingbird是微軟的一項研究成果，它能夠將已經訓練好的ML模型匯編成張量計算，從而不需要設計新的模型。還允許用戶使用神經網絡框架(例如PyTorch)來加速傳統的ML模型。它的推理API跟sklearn范例十分相似，都可以重復使用現有的代碼，但是它是用Hummingbird生成的代碼去實現的。

開源地址：https://github.com/microsoft/hummingbird

9. HiPlot

幾乎每一個數據科學家在他們的職業生涯中都有過處理高維數據的經歷。不幸的是，人類的大腦并不能完全憑直覺處理這類數據，所以我們必須求助于其他技術。

今年早些時候，Facebook發布了HiPlot，它是用平行圖和其他的圖像方式，幫助AI研究者發現高維數據的相關性和模型，是一款輕巧的交互式可視化工具。HiPlot是交互式的，可擴展的，因此你可以在Jupyter  Notebooks或者它自己的服務器上使用它。

開源地址：https://github.com/facebookresearch/hiplot

10. Scalene

隨著Python庫的生態系統變得越來越復雜，我們發現自己編寫的代碼越來越依賴于C擴展和多線程代碼。如何測試性能這就成一個問題，因為CPython內置的分析器不能正確地處理多線程和本機代碼。

Scalene是一個高性能的CPU內存分析器，它能夠正確處理多線程代碼，并區分運行Python和本機代碼所花費的時間。不需要修改代碼，只需要使用scalene從命令行運行腳本，它就可以為你生成一個文本或HTML報告，顯示代碼每行的CPU和內存使用情況。

感謝各位的閱讀，以上就是“如何理解Python庫”的內容了，經過本文的學習后，相信大家對如何理解Python庫這一問題有了更深刻的體會，具體使用情況還需要大家實踐驗證。這里是億速云，小編將為大家推送更多相關知識點的文章，歡迎關注！