1.3　配置环境

创建ML软件时，只有少数编程语言可用。最受欢迎的是Python和R，不过Scala也很受欢迎。此外，还有其他一些语言可用，但是更适合ML的编程语言是Julia、JavaScript和Java。在本书中，我们仅使用Python，因为其适用范围广泛、用法简单且库的生态系统较为丰富。

具体来说，我们将使用Python 3.7及以下一些库：

·numpy：用于快速向量化数值计算

·scipy：构建在numpy之上，具有许多数学功能

·pandas：用于数据操作

·scikit-learn：Python主要的ML库

·tensorflow：为我们的深度学习算法赋能的引擎

·keras：我们将用于开发深度学习算法的库，构建在TensorFlow之上

我们集中讨论最后两个库。如今，有一些库很适用于神经网络（Neural Network，NN）。最常用的是TensorFlow。它是一个符号数学库，使用有向图对操作之间的数据流进行建模。

TensorFlow特别适用于矩阵乘法，因为它可以利用GPU架构的全部功能，GPU架构由许多不是特别强大的内核组成，这些内核可以并行执行许多操作。TensorFlow功能多样，可以在几种不同的平台上运行，也可以使用TensorFlow Lite在移动设备上或使用TensorFlow.js（https://www.tensorflow.org/js）在浏览器上运行模型。

本书的大部分内容使用的库之一就是Keras。它是一个位于TensorFlow等库之上的层，可为终端用户提供更抽象的接口。因为Keras专注于神经网络，所以其适用范围比TensorFlow要窄，但它可以与TensorFlow的替代产品（如Microsoft Cognitive Toolkit）结合使用，所以也更通用。

现在，这些库不保证向后兼容。因此，使用Python时，在虚拟环境中工作是一个好习惯。这使我们能够隔绝正在处理的不同项目，而且还可以轻松地将我们的设置分发到不同的计算机上，避免了兼容性问题。

我们可以通过几种方法来创建虚拟环境。在本书中将介绍以下内容：

·虚拟环境

·Anaconda

·Docker

我们将逐一介绍它们的工作原理，并说明其优缺点。