{"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\/sv\/blog\/news\/56-proektov-na-python-s-otkrytym-ishodnym-kodom","title":{"rendered":"56 projekt p\u00e5 Python med \u00f6ppen k\u00e4llkod","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

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

1. Flask<\/h3>\n

\nDetta \u00e4r ett mikroramverk skrivet i Python. Det har inga valideringar f\u00f6r formul\u00e4r och databasanpassningsniv\u00e5er, men till\u00e5ter dig att anv\u00e4nda tredjepartsbibliotek f\u00f6r allm\u00e4nna funktioner. D\u00e4rf\u00f6r \u00e4r det ett mikroramverk. Flask \u00e4r avsett f\u00f6r enkel och snabb skapande av applikationer och \u00e4r ocks\u00e5 skalbart och l\u00e4ttviktigt. Det \u00e4r baserat p\u00e5 projekten Werkzeug och Jinja2. Du kan l\u00e4sa mer om det i den senaste artikeln fr\u00e5n DataFlair om Python Flask<\/a><\/noindex>.<\/p>\n

2. Keras<\/h3>\n

\nKeras \u00e4r ett neuronn\u00e4tsbibliotek med \u00f6ppen k\u00e4llkod skrivet i Python. Det \u00e4r anv\u00e4ndarv\u00e4nligt, modul\u00e4rt och ut\u00f6kningsbart, och kan arbeta ovanp\u00e5 TensorFlow, Theano, PlaidML eller Microsoft Cognitive Toolkit (CNTK). I Keras finns allt: mallar, m\u00e5lfunktioner och \u00f6verf\u00f6ringsfunktioner, optimerare och mycket mer. Det st\u00f6der ocks\u00e5 konvolutions- och \u00e5terkommande neuronn\u00e4t.<\/p>\n

Arbetet med det senaste projektet baserat p\u00e5 Keras \u00e4r Br\u00f6stcancerkategorisering<\/a><\/noindex>.
\n<\/a><\/noindex><\/p>\n

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

\nArtikeln \u00e4r \u00f6versatt med st\u00f6d av f\u00f6retaget EDISON Software, som utvecklar ett diagnossystem f\u00f6r dokumenthantering Vivaldi<\/a><\/noindex>, samt investerar i startups<\/a><\/noindex>.<\/p><\/blockquote>\n

3. SpaCy<\/h3>\n

\nDetta \u00e4r en open-source programvarubibliotek som hanterar naturlig spr\u00e5kbehandling (NLP)<\/a><\/noindex> och \u00e4r skrivet i Python och Cython. Medan NLTK \u00e4r mer l\u00e4mpligt f\u00f6r utbildnings- och forsknings\u00e4ndam\u00e5l, syftar spaCy till att erbjuda programvara f\u00f6r produktion. Dessutom \u00e4r Thinc, spaCys maskininl\u00e4rningsbibliotek, vilket inneh\u00e5ller CNN-modeller f\u00f6r del av tal-taggar, beroendeparsing och namngivna entitetsigenk\u00e4nning.<\/p>\n

4. Sentry<\/h3>\n

\nSentry erbjuder hosting av felmonitorering med \u00f6ppen k\u00e4llkod s\u00e5 att du kan uppt\u00e4cka och sortera fel i realtid. Installera bara SDK:n f\u00f6r ditt spr\u00e5k eller dina ramverk och b\u00f6rja arbeta. Den l\u00e5ter dig f\u00e5nga ohanterade undantag, unders\u00f6ka stacksp\u00e5r, analysera inverkan av varje problem, sp\u00e5ra fel i olika projekt, tilldela problem och mycket mer. Att anv\u00e4nda Sentry inneb\u00e4r f\u00e4rre fel och mer kod som skickas.<\/p>\n

5. OpenCV<\/h3>\n

\nOpenCV \u00e4r ett bibliotek f\u00f6r datorseende och maskininl\u00e4rning med \u00f6ppen k\u00e4llkod. Biblioteket har \u00f6ver 2500 optimerade algoritmer f\u00f6r uppgifter inom datorseende, s\u00e5som objektigenk\u00e4nning och uppt\u00e4ckte, klassificering av olika typer av m\u00e4nsklig aktivitet, r\u00f6relsef\u00f6rf\u00f6ljning med hj\u00e4lp av kamera, skapande av tredimensionella modeller av objekt, sammanfogning av bilder f\u00f6r att skapa bilder med h\u00f6g uppl\u00f6sning och m\u00e5nga andra uppgifter. Biblioteket \u00e4r tillg\u00e4ngligt f\u00f6r m\u00e5nga spr\u00e5k, som Python, C++, Java osv.<\/p>\n

Antal stj\u00e4rnor p\u00e5 Github: 39585<\/p>\n

Har du redan arbetat med n\u00e5got OpenCV-projekt? H\u00e4r \u00e4r ett \u2014 Projekt f\u00f6r k\u00f6ns- och \u00e5ldersbest\u00e4mning<\/a><\/noindex><\/p>\n

6. Nilearn<\/h3>\n

\nDetta \u00e4r ett modul f\u00f6r snabb och enkel implementering av statistisk inl\u00e4rning p\u00e5 NeuroImaging-data. Det m\u00f6jligg\u00f6r anv\u00e4ndning av scikit-learn f\u00f6r flerdimensionell statistik f\u00f6r prognostisk modellering, klassificering, dekodning och analys av konnektivitet. Nilearn \u00e4r en del av NiPy-ekosystemet, som \u00e4r ett samh\u00e4lle dedikerat till anv\u00e4ndningen av Python f\u00f6r analys av neuroimagingdata.<\/p>\n

Antal stj\u00e4rnor p\u00e5 Github<\/a><\/noindex>: 549<\/p>\n

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

\nScikit-learn \u00e4r ytterligare ett Python-projekt med \u00f6ppen k\u00e4llkod. Det \u00e4r ett mycket v\u00e4lk\u00e4nt bibliotek f\u00f6r maskininl\u00e4rning f\u00f6r Python. Ofta anv\u00e4nds det tillsammans med NumPy och SciPy, d\u00e4r SciPy erbjuderklassificering, regression och klustring \u2014 det st\u00f6djer SVM (Support Vector Machines)<\/a><\/noindex>, slumpm\u00e4ssiga skogar, gradientboosting, k-means och DBSCAN. Detta bibliotek \u00e4r skrivet p\u00e5 Python och Cython.<\/p>\n

Antal stj\u00e4rnor p\u00e5 Github: 37,144<\/p>\n

8. PyTorch<\/h3>\n

\nPyTorch \u00e4r ytterligare ett \u00f6ppet bibliotek f\u00f6r maskininl\u00e4rning, skrivet p\u00e5 Python och f\u00f6r Python. Det \u00e4r baserat p\u00e5 Torch-biblioteket och passar utm\u00e4rkt f\u00f6r omr\u00e5den som datorseende och naturlig spr\u00e5kbehandling (NLP). Det har ocks\u00e5 en C++-frontend. <\/p>\n

Bland m\u00e5nga andra funktioner erbjuder PyTorch tv\u00e5 h\u00f6g-niv\u00e5:<\/p>\n