{"id":53299,"date":"2019-11-28T00:00:00","date_gmt":"2019-11-27T21:00:00","guid":{"rendered":"https:\/\/prohoster.info\/blog\/blog_prohoster\/56-proektov-na-python-s-otkrytym-ishodnym-kodom"},"modified":"2020-02-18T14:01:11","modified_gmt":"2020-02-18T11:01:11","slug":"56-proektov-na-python-s-otkrytym-ishodnym-kodom","status":"publish","type":"post","link":"https:\/\/prohoster.info\/da\/blog\/news\/56-proektov-na-python-s-otkrytym-ishodnym-kodom","title":{"rendered":"56 open-source projects in Python","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

\"56
\n<\/p>\n

1. Flask<\/h3>\n

\nDette er et mikro-rammev\u00e6rk skrevet i Python. Det har ikke valideringer for formularer og databasens abstraktionsniveau, men giver dig mulighed for at bruge tredjepartsbiblioteker til generelle funktioner. Og netop derfor er det et mikro-rammev\u00e6rk. Flask er designet til at skabe applikationer hurtigt og nemt, samt er det skalerbart og let. Det er baseret p\u00e5 projekterne Werkzeug og Jinja2. Du kan l\u00e6se mere om det i den seneste artikel fra DataFlair om Python Flask<\/a><\/noindex>.<\/p>\n

2. Keras<\/h3>\n

\nKeras er et open source-bibliotek til neurale netv\u00e6rk, skrevet i Python. Det er brugervenligt, modul\u00e6rt og udvideligt og kan desuden fungere oven p\u00e5 TensorFlow, Theano, PlaidML eller Microsoft Cognitive Toolkit (CNTK). Keras har alt: skabeloner, m\u00e5l- og aktiveringsfunktioner, optimeringsmetoder og meget mere. Det underst\u00f8tter ogs\u00e5 konvolutionelle og rekursive neurale netv\u00e6rk.<\/p>\n

Arbejdet med det seneste open source-projekt baseret p\u00e5 Keras - Brystkr\u00e6ftklassificering<\/a><\/noindex>.
\n<\/a><\/noindex><\/p>\n

\"56<\/a><\/noindex>

\nArtiklen er oversat med st\u00f8tte fra EDISON Software, som udvikler et diagnostisk system for dokumentlageret Vivaldi<\/a><\/noindex>, samt investerer i startups<\/a><\/noindex>.<\/p><\/blockquote>\n

3. SpaCy<\/h3>\n

\nDet er et open source-softwarebibliotek, der besk\u00e6ftiger sig med naturlig sprogbehandling (NLP)<\/a><\/noindex> og skrevet i Python og Cython. Mens NLTK er mere velegnet til undervisnings- og forskningsform\u00e5l, handler spaCys arbejde om at levere software til produktion. Desuden er Thinc et maskinl\u00e6ringsbibliotek fra spaCy, der indeholder CNN-modeller til dele af tale-tagging, afh\u00e6ngighedsparsing og navngivet objektgenkendelse.<\/p>\n

4. Sentry<\/h3>\n

\nSentry tilbyder hosting til fejlmonitorering med open source, s\u00e5 du kan opdage og sortere fejl i realtid. Install\u00e9r blot SDK'et til dit(e) sprog eller rammev\u00e6rk(e) og kom i gang. Det g\u00f8r det muligt at registrere up\u00e5agtede undtagelser, studere stacktrace, analysere virkningen af hvert problem, holde styr p\u00e5 fejl p\u00e5 tv\u00e6rs af forskellige projekter, tildele problemer og meget mere. At bruge Sentry betyder f\u00e6rre fejl og mere sendt kode.<\/p>\n

5. OpenCV<\/h3>\n

\nOpenCV er et bibliotek til computer vision og maskinl\u00e6ring med \u00e5ben kildekode. Biblioteket har over 2500 optimerede algoritmer til opgaver inden for computer vision, s\u00e5som objektdetektion og genkendelse, klassificering af forskellige typer menneskelig aktivitet, bev\u00e6gelsessporing med kamera, oprettelse af 3D-modeller af objekter, sammenf\u00f8jning af billeder for at opn\u00e5 billeder med h\u00f8j opl\u00f8sning og mange andre opgaver. Biblioteket er tilg\u00e6ngeligt for mange sprog, s\u00e5som Python, C ++, Java osv.<\/p>\n

Antal stjerner p\u00e5 Github: 39585<\/p>\n

Har du allerede arbejdet p\u00e5 et OpenCV-projekt? Her er et \u2014 K\u00f8n og aldersbestemmelsesprojekt<\/a><\/noindex><\/p>\n

6. Nilearn<\/h3>\n

\nDette er et modul til hurtig og enkel implementering af statistisk l\u00e6ring p\u00e5 NeuroImaging-data. Det giver mulighed for at bruge scikit-learn til multivariat statistik til forudsigelsesmodeller, klassificering, dekodning og analyse af sammenh\u00e6nge. Nilearn er en del af NiPy-\u00f8kosystemet, som er et f\u00e6llesskab dedikeret til brugen af Python til analyse af neuroimageringsdata.<\/p>\n

Antal stjerner p\u00e5 Github<\/a><\/noindex>: 549<\/p>\n

7. scikit-Learn<\/h3>\n

\nScikit-learn er endnu et open source Python-projekt. Det er et meget kendt bibliotek til maskinl\u00e6ring for Python. Ofte brugt med NumPy og SciPy, tilbyder SciPy klassificering, regression og klusteranalyse \u2014 det underst\u00f8tter SVM (Support Vector Machines)<\/a><\/noindex>, tilf\u00e6ldige skove, gradient boosting, k-middel og DBSCAN. Dette bibliotek er skrevet i Python og Cython.<\/p>\n

Antal stjerner p\u00e5 Github: 37,144<\/p>\n

8. PyTorch<\/h3>\n

\nPyTorch er et andet \u00e5bent bibliotek til maskinl\u00e6ring skrevet til Python og af Python. Det er baseret p\u00e5 Torch-biblioteket og er fremragende til omr\u00e5der som computer vision og natural language processing (NLP). Det har desuden en C++ frontend. <\/p>\n

Blandt mange andre funktioner tilbyder PyTorch to h\u00f8j-niveau:<\/p>\n