Những thư viện lớn của Python

Hệ sinh thái Python: đầy đủ tiện ích

Phần khó — toán nhanh trên dữ liệu lớn, vẽ biểu đồ, xử lý ảnh, mạng neural — đã được viết, kiểm chứng và miễn phí. Bạn import chúng; không tự xây.

Bản đồ công việc, không phải danh sách hàm

Deck này là bản đồ công việc. Mỗi thư viện có một việc rõ ràng và một chút nếm thử API — đủ để bạn nhận ra nó trong code mà AI đưa cho bạn.

pip install → import → gọi

Mọi thư viện trong deck đều theo cùng ba bước. Các tên gọi tắt (np, plt, cv2, torch) là quy ước — bạn sẽ nhận ra chúng ở khắp nơi.

# first time on this machine: install (projects list this in requirements.txt)
# pip install numpy pillow matplotlib

# every file that uses them starts like this:
import numpy as np                  # alias: np
from PIL import Image               # pull in the Image class
import matplotlib.pyplot as plt     # alias: plt

print(np.mean([1, 2, 3]))           # 2.0 — toolbox, ready

requirements.txt trong các dự án thật chỉ là danh sách các lệnh pip install. Nếu câu trả lời của AI bắt đầu bằng một dòng import lạ, đó là câu hỏi đầu tiên của bạn: 'cái này làm gì?'

Mảng nhiều chiều nhanh — nền mọi người xây lên

Việc của NumPy chỉ có một: giữ số trong một lưới và làm toán trên cả lưới cùng lúc.

Một biểu thức thay cho vòng lặp

Cốt lõi của NumPy: mô tả cả phép toán, không phải từng phần tử. Đó là cách vector.

import numpy as np

a = np.array([1, 2, 3, 4])
b = np.array([10, 20, 30, 40])

print(a * b)      # [ 10  40  90 160]  ← element by element
print(a.sum())    # 10
print(a.mean())   # 2.5

# an image = one array: rows × cols × 3 color channels
pixels = np.zeros((100, 100, 3))

np.array tạo mảng; .sum(), .mean() là các lần gọi hằng ngày. Dòng 11 là điểm nhấn: cả một bức ảnh chỉ là một mảng.

Một biểu thức thay cho một vòng lặp

Biến dữ liệu thành hình

Con đường nhanh nhất từ 'list các số' đến 'chart có thể chia sẻ'.

Hai list vào, chart ra

Toàn bộ API là 'mô tả bức tranh': dữ liệu, kiểu, cửa sổ.

import matplotlib.pyplot as plt

days = [1, 2, 3, 4, 5]
signups = [12, 19, 17, 28, 35]

plt.plot(days, signups)    # draw the line
plt.title("Daily signups")
plt.show()                 # open the window

Ba lần gọi và chart đã có. Hình dạng chính hệt này xuất hiện trong mọi phân tích dữ liệu bạn xem.

Toán nghiêm túc, một tầng trên NumPy

SciPy = tính toán khoa học trên nền NumPy. Cùng mảng vào-ra, nhưng các công thức khó đã có sẵn bên trong.

Thống kê như một lần gọi hàm

SciPy nhận list hoặc mảng và trả về số — cùng dữ liệu, thêm một tầng toán.

from scipy import stats

temps = [21.5, 22.1, 20.9, 23.0, 22.4, 21.8, 22.6]
d = stats.describe(temps)

print(d.mean)          # 22.1 — the average
print(d.std)           # 0.6  — how much it varies
print(d.min, d.max)    # 20.9 23.0

Một lần describe() đưa ra bản tổng kết thống kê đầy đủ của bộ dữ liệu. Không vòng lặp, không công thức.

Bộ công cụ ảnh hằng ngày

Pillow (PIL) làm 95% việc ảnh nhàm chán: mở, chỉnh, lưu. Không GPU, không model — chỉ pixel nhanh và đáng tin.

Mở, đổi kích thước, lưu — ba việc hằng ngày

Mọi thứ khác (cắt, xoay, filter) cùng một hình dạng: mở, gọi method, lưu.

from PIL import Image

img = Image.open("photo.jpg")      # open it
img = img.resize((400, 400))       # new size
thumb = img.copy()
thumb.thumbnail((100, 100))        # keep ratio
img.save("out.jpg")                # save it
print(img.size)                    # (400, 400)

Tám dòng, ảnh đã được đổi kích thước, thu nhỏ và lưu — cốt lõi của hầu hết các tính năng 'upload ảnh'.

Để máy tính nhìn thấy

Xử lý ảnh và video ở quy mô lớn — filter, biến đổi, phát hiện, từng khung một.

Thị giác như vài lần gọi trên mảng

Hình dạng: nạp ảnh, biến đổi, phát hiện gì đó. Đó là toàn bộ vốn từ.

import cv2

img = cv2.imread("street.jpg")     # loads as a NumPy array!
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
blur = cv2.GaussianBlur(gray, (5, 5), 0)

faces = cv2.CascadeClassifier("haarcascade_frontalface_default.xml")
found = faces.detectMultiScale(gray, 1.1)
print(len(found), "faces found")

Dòng 3 là xếp tầng trong thực tế: OpenCV đưa bạn một mảng NumPy. Filter và phát hiện là các lần gọi đơn trên mảng đó.

Nơi các model AI được sinh ra

Framework deep learning: tensor, gradient tự động, và vòng lặp huấn luyện model.

Tensor + autograd trong bảy dòng

Bạn hiếm khi tự viết cái này — nhưng nhận ra 'đoạn này đang huấn luyện model' mới là kỹ năng.

import torch

x = torch.tensor([1.0, 2.0, 3.0], requires_grad=True)
y = (x * x).sum()         # 1 + 4 + 9 = 14
y.backward()              # compute the gradient
print(x.grad)             # [2. 4. 6.]  ← d(x²)/dx = 2x

Một model trong phôi: một phép toán, và gradient chỉ ra hướng điều chỉnh. Huấn luyện = lặp lại điều này, hàng nghìn bước, ở quy mô lớn.

NumPy ở đáy — mọi thứ khác xây trên nó

Khi thư viện nói 'làm việc với mảng', nghĩa là mảng NumPy. Dữ liệu chảy xuống: app của bạn gọi hàm cấp cao, bên dưới là toán NumPy nhanh.

app của bạn → gọi cấp cao → toán NumPy nhanh bên dưới

Thư viện nào cho việc nào

Nhớ các dòng import, không phải các hàm — dòng import chính là mô tả công việc.

Web app của bạn thực sự chạm tới gì

Hầu hết dự án không bao giờ chạm tới stack nặng — và điều đó là đúng. Gắn công cụ với công việc.

Dùng thư viện với AI, từng bước

Cùng bốn bước bạn dùng ở khắp nơi trong khóa học — giờ áp cho code thư viện.

1. 1

   Đặt tên công việc, không đặt tên hàm

   Nói cho AI kết quả: 'đổi kích thước ảnh upload về 400px và lưu thumbnail.' Công việc chọn thư viện — ở đây là Pillow.

2. 2

   Kiểm tra imports trước

   Dòng đầu của mọi câu trả lời AI: nó import gì? from PIL import Image → việc ảnh. import torch → việc ML nặng — nên hỏi vì sao.

3. 3

   Để ý chi phí cài đặt

   Pillow cài rất nhẹ; PyTorch là hàng GB kèm stack GPU. Hỏi phải pip install gì trước khi đồng ý — trên VPS, đĩa và RAM là có thật.

4. 4

   Chạy, nhìn output

   Lưu kết quả và nhìn: thumbnail đúng kích thước, chart đúng số, gradient ra [2. 4. 6.]. Output là sự thật.