我以個人的身份采訪了幾個頂尖的Python程序員，問了他們以下5個簡單的問題：
當前你的主要開發任務是什麼？
你在項目中使用的電腦是怎樣的？
你使用什麼IDE開發？
你將來的計劃是什麼？
有什麼給Python程序員的建議？
就是這幾個問題，我找了幾個頂尖的程序員和編程書籍作家，問他們這幾個相同的問題。下面是他們的回答，希望在他們的回答中你能找到一些可以讓你的開發更便捷的工具。
Alex Martelli
Alex Martelli
人物簡介：Alex Martelli是一位義大利計算機軟體程序員，他是Python軟體基金會的成員。從2005年初開始，他以「Über技術首領」的身份在加利福尼亞景山谷歌總部工作。他擁有義大利Bologna大學電子工程學位(1980)。他是《Python in a Nutshell》一書的作者，他還和其他人合著了《Python Cookbook》，他還寫了一些其它一些作品，大部分都是和Python相關的。因為他對Python社區傑出的貢獻，他被授予的榮譽包括2002 Activators』 Choice Award和2006 Frank Willison award。
你可以通過他的博客了解更多關於他的信息。
問題一、當前你的主要開發任務是什麼？
給我的老闆(谷歌)開發商業軟體，大部分是商業智能方面。
問題二、你在項目中使用的硬體機器是怎樣的？
基本上都是谷歌的雲伺服器，通過谷歌APP引擎直接或間接的使用。有時候也使用一個Unix工作站或Macbook Air，但很少。
問題三、你使用什麼IDE開發？
vim, gvim, mvim; 偶爾用一下iPython，但這好像不能算是IDE吧。
問題四、你將來的計劃是什麼？
應該還會待在谷歌——具體的研究方向那要看實際情況。
問題五、有什麼給Python程序員的建議？
學習一下App Engine(通過webapp2 或flask, jinja2, &c以及其它類似django的輕量級環境)：它們大部分都會對你的web項目有很好的用處——如果你想在這些環境之外的地方部署web應用，Appscale會是你最方便的選擇。
Daniel Greenfeld
Daniel Greenfeld
人物簡介： Daniel Greenfeld是《Two Scoops of django》一書的合著人。他有超過6年的在Django領域的研究經驗。之前他在美國宇航局做開發，就是在那裡他開始了他的Python之旅，一直到現在。他目前是Cartwheel Web的負責人。
你可以通過他的Twitter: @pydanny 和他的博客獲取他的更多信息。
問題一、當前你的主要開發任務是什麼？
我現在的工作主要是客戶端方面，基本上都是用Python。內容服務方面有時候會用到Django，但當前的主要工作基本上跟web無關。
問題二、你在項目中使用的硬體機器是怎樣的？
硬體方面，我使用一個2011年的Macbook Air。因為我的開發方式，像Macbook
Air這樣的超級本用起來非常舒服。可蘋果的產品一般都很貴，我就自己配了一個，我打算所有的任務都用它來做。如果哪天我能有一個新的筆記本，我想試試linux的超級本或Window8的平板(以前我是靠虛擬機運行Windows8)。
問題三、你使用什麼IDE開發？
我使用Sublime Text。我更喜歡文本編輯器，而不是IDE，因為我喜歡深入研究程序庫和它們的文檔，而不是通過IDE工具來提示我。
問題四、你將來的計劃是什麼？
我未來的計劃就是編程，鍛煉，做我最擅長的事情。也許會去一個新地方旅遊。我喜歡去沒有去過的地方，認識新朋友，品嘗沒吃過的食物。但大部分我的旅遊都是基於客戶的需求，今年我不知道什麼時候會有這樣的機會。
問題五、有什麼給Python程序員的建議？
我給Python程序員的建議是挑戰極限。尋找新的代碼庫，研究它們，使用它們。它們有些會不是很好，不好的東西也會教會你一些東西(不該做的事情)。
Miguel Grinberg
Miguel Grinberg
人物簡介： Miguel是一個程序員，攝影師和電影製作人。生活在美國俄勒岡州。他目前正在寫一本關於使用Python和Flask做web開發的書，將會由 O』Reilly Media出版。這本書的官方網站是Flask Book。
你可以通過他的Twitter: @miguelgrinberg 和他的博客獲取更多信息。
問題一、當前你的主要開發任務是什麼？
也許你會吃驚，工作中我並不做web開發。我在為Harmonic做視頻軟體。C++是我在工作中使用的主要語言，但我們卻使用了一個古老的用Python寫的自動化單元測試框架，用起來很有趣。
空閑時間里我目前的第一大任務就是給O』Reilly出版社寫一本關於Flask為框架的書，基本上快寫成了。
問題二、你在項目中使用的硬體機器是怎樣的？
我的機器是一個雙系統的台式機，裝的是Ubuntu和Windows8.1。我還有一個Mac OS X筆記本。
我在跨平台方面有些變態。除了給Arino這樣的嵌入式系統寫代碼外，所有其它我寫的代碼(不管什麼語言)，都需要在三種平台上運行。為了達到這個目的，我會不斷的在Linux，Windows和OS X機器間切換。
問題三、你使用什麼IDE開發？
我有一些最愛。PyCharm非常棒，在大型項目時我越來越依賴它，主要是因為它的互動式的調試工具。
在Windows平台上我會使用Visual Studio的一個Python插件，免費的，非常出色，我估計大部分人沒聽說過它。
我還經常使用SublimeText，通常是在筆記本上使用它。
Notepad++是我在Window台式機上最順手的工具。在我所有的電腦上都裝有一個非常老的Vim，即使在Windows上也使用Cygwin運行它。
問題四、你將來的計劃是什麼？
我在四月份的PyCon大會上會有一個關於Flask的演講，我下一步開始著手准備材料，因為書已經快寫好了。
我最近沒怎麼寫博客，我很想寫一點。我想能多騰出一些時間寫博客。我已經擬了一份話題目錄，准備按著這個清單寫。如果需要的話，我可以把裡面的一個關於Flask上的web sockets的文章提到最前面。
問題五、有什麼給Python程序員的建議？
我對所有程序員——不光是Python愛好者——的建議是，多去實踐，然後把它們分享給世界。分享很重要，從別人那獲得反饋是讓你提高的好方法。
而對於Python程序員我想說的是，如果我們只需要用嘴去討論Python2和Python3的差別、而不需要花時間將眾多的軟體移植到Python3，那該多好。玩笑。
說的太好了！
揭開其他程序員的面紗，窺視他們如何施展魔法工作，這很有用。你可以看到，他們使用的工具、技術，我們都可以採用，很多都是免費的。我很感謝他們能分享這些信息。
2. 在macbook上安裝python的jieba庫
mac也有終端呀，都是一樣的，mac，linux，windows安裝Python包都是pip install 包名就行了。
3. 我有一台 MacBook Air 想用來編程怎麼辦
不知你是用什麼開發語言？
可以用虛擬機安裝你編程所需的系統，然後在對應的系統環境下去做編程。
Mac下的虛擬機三款:Parallels、VMWare和VirtualBox
Parallels性能最好,VMWare穩定,VirtualBox免費。
4. macbook pro有沒有可以編程的軟體，類似c++,C語言編程的軟體，學習C語言用的
推薦平台通用的Eclipse ， 雖然是JAVA平台，但是提供了C/C++的開發插件， 個人認為如果需求不高， Eclipse足夠了！
5. macbook air 能學習C語言么...
能的啊。C和C++用xcode。Java用eclipse。python可以用Pycharm。html和js可以用Brackets。總之，用很多替代的方法。還可以裝虛擬機，雖然發燙有點嚴重。但是我之前為了用Cisco packet tracer 裝了個VMware，還是可以的，可以直接在兩個系統之間拖拉文件，很方便。
6. 蘋果的MacBooK Pro 可以用來學習Python編程嗎
當然可以，國外大部分程序員都偏愛用Mac的。。。你的Mac在開始就有Python、Perl、Ruby、AppleScript這些預裝，並且有Apache。。。安裝CommandLineTools之後功能。可以在AppStore中安裝Xcode，這個是蘋果官方的IDE。。
7. macbook學python好嗎
平台沒關系的，mac和win都可以，都有相應的發布版本安裝包，環境配置都比較簡單。
所有不必糾結這個，按自己習慣就好
8. 13個最常用的Python深度學習庫介紹
13個最常用的Python深度學習庫介紹
如果你對深度學習和卷積神經網路感興趣，但是並不知道從哪裡開始，也不知道使用哪種庫，那麼這里就為你提供了許多幫助。
在這篇文章里，我詳細解讀了9個我最喜歡的Python深度學習庫。
這個名單並不詳盡，它只是我在計算機視覺的職業生涯中使用並在某個時間段發現特別有用的一個庫的列表。
這其中的一些庫我比別人用的多很多，尤其是Keras、mxnet和sklearn-theano。
其他的一些我是間接的使用，比如Theano和TensorFlow（庫包括Keras、deepy和Blocks等）。
另外的我只是在一些特別的任務中用過（比如nolearn和他們的Deep Belief Network implementation）。
這篇文章的目的是向你介紹這些庫。我建議你認真了解這里的每一個庫，然後在某個具體工作情境中你就可以確定一個最適用的庫。
我想再次重申，這份名單並不詳盡。此外，由於我是計算機視覺研究人員並長期活躍在這個領域，對卷積神經網路（細胞神經網路）方面的庫會關注更多。
我把這個深度學習庫的列表分為三個部分。
第一部分是比較流行的庫，你可能已經很熟悉了。對於這些庫，我提供了一個通俗的、高層次的概述。然後，針對每個庫我詳細解說了我的喜歡之處和不喜歡之處，並列舉了一些適當的應用案例。
第二部分進入到我個人最喜歡的深度學習庫，也是我日常工作中使用最多的，包括：Keras、mxnet和sklearn-theano等。
最後，我對第一部分中不經常使用的庫做了一個「福利」板塊，你或許還會從中發現有用的或者是在第二板塊中我還沒有嘗試過但看起來很有趣的庫。
接下來就讓我們繼續探索。
針對初學者：
Caffe
提到「深度學習庫」就不可能不說到Caffe。事實上，自從你打開這個頁面學習深度學習庫，我就敢打保票你肯定聽說Caffe。
那麼，究竟Caffe是什麼呢？
Caffe是由Berkeley Vision and Learning Center（BVLC）建立的深度學習框架。它是模塊化的，速度極快。而且被應用於學術界和產業界的start-of-the-art應用程序中。
事實上，如果你去翻閱最新的深度學習出版物（也提供源代碼），你就很可能會在它們相關的GitHub庫中找到Caffe模型。
雖然Caffe本身並不是一個Python庫，但它提供綁定到Python上的編程語言。我們通常在新領域開拓網路的時候使用這些綁定。
我把Caffe放在這個列表的原因是它幾乎被應用在各個方面。你可以在一個空白文檔里定義你的模型架構和解決方案，建立一個JSON文件類型的.prototxt配置文件。Caffe二進制文件提取這些.prototxt文件並培訓你的網路。Caffe完成培訓之後，你可以把你的網路和經過分類的新圖像通過Caffe二進制文件，更好的就直接通過Python或MATLAB的API。
雖然我很喜歡Caffe的性能（它每天可以在K40 GPU上處理60萬張圖片），但相比之下我更喜歡Keras和mxnet。
主要的原因是，在.prototxt文件內部構建架構可能會變得相當乏味和無聊。更重要的是， Caffe不能用編程方式調整超參數！由於這兩個原因，在基於Python的API中我傾向於對允許我實現終端到終端聯播網的庫傾斜（包括交叉驗證和調整超參數）。
Theano
在最開始我想說Theano是美麗的。如果沒有Theano，我們根本不會達到現有的深度學習庫的數量（特別是在Python）。同樣的，如果沒有numpy，我們就不會有SciPy、scikit-learn和 scikit-image,，同樣可以說是關於Theano和深度學習更高級別的抽象。
非常核心的是，Theano是一個Python庫，用來定義、優化和評估涉及多維數組的數學表達式。 Theano通過與numpy的緊密集成，透明地使用GPU來完成這些工作。
雖然可以利用Theano建立深度學習網路，但我傾向於認為Theano是神經網路的基石，同樣的numpy是作為科學計算的基石。事實上，大多數我在文章中提到的庫都是圍繞著Theano，使自己變得更加便利。
不要誤會我的意思，我愛Theano，我只是不喜歡用Theano編寫代碼。
在Theano建設卷積神經網路就像只用本機Python中的numpy寫一個定製的支持向量機（SVM），當然這個對比並不是很完美。
你可以做到嗎？
當然可以。
它值得花費您的時間和精力嗎？
嗯，也許吧。這取決於你是否想擺脫低級別或你的應用是否需要。
就個人而言，我寧願使用像Keras這樣的庫，它把Theano包裝成更有人性化的API，同樣的方式，scikit-learn使機器學習演算法工作變得更加容易。
TensorFlow
與Theano類似，TensorFlow是使用數據流圖進行數值計算的開源庫（這是所有神經網路固有的特徵）。最初由谷歌的機器智能研究機構內的Google Brain Team研究人員開發，此後庫一直開源，並提供給公眾。
相比於Theano ，TensorFlow的主要優點是分布式計算，特別是在多GPU的環境中（雖然這是Theano正在攻克的項目）。
除了用TensorFlow而不是Theano替換Keras後端，對於TensorFlow庫我並沒有太多的經驗。然而在接下來的幾個月里，我希望這有所改變。
Lasagne
Lasagne是Theano中用於構建和訓練網路的輕量級庫。這里的關鍵詞是輕量級的，也就意味著它不是一個像Keras一樣圍繞著Theano的重包裝的庫。雖然這會導致你的代碼更加繁瑣，但它會把你從各種限制中解脫出來，同時還可以讓您根據Theano進行模塊化的構建。
簡而言之：Lasagne的功能是Theano的低級編程和Keras的高級抽象之間的一個折中。
我最喜歡的：
Keras
如果我必須選出一個最喜歡的深度學習Python庫，我將很難在Keras和mxnet中做出抉擇——但最後，我想我會選Keras。
說真的，Keras的好處我說都說不完。
Keras是一個最低限度的、模塊化的神經網路庫，可以使用Theano或TensorFlow作為後端。Keras最主要的用戶體驗是，從構思到產生結果將會是一個非常迅速的過程。
在Keras中架構網路設計是十分輕松自然的。它包括一些state-of-the-art中針對優化（Adam，RMSProp）、標准化（BatchNorm）和激活層（PReLU，ELU，LeakyReLU）最新的演算法。
Keras也非常注重卷積神經網路，這也是我十分需要的。無論它是有意還是無意的，我覺得從計算機視覺的角度來看這是非常有價值的。
更重要的是，你既可以輕松地構建基於序列的網路（其中輸入線性流經網路）又可以創建基於圖形的網路（輸入可以「跳過」某些層直接和後面對接）。這使得創建像GoogLeNet和SqueezeNet這樣復雜的網路結構變得容易得多。
我認為Keras唯一的問題是它不支持多GPU環境中並行地訓練網路。這可能會也可能不會成為你的大忌。
如果我想盡快地訓練網路，那麼我可能會使用mxnet。但是如果我需要調整超參數，我就會用Keras設置四個獨立的實驗（分別在我的Titan X GPUs上運行）並評估結果。
mxnet
我第二喜歡的深度學習Python庫無疑就是mxnet（重點也是訓練圖像分類網路）。雖然在mxnet中站立一個網路可能需要較多的代碼，但它會提供給你驚人數量的語言綁定（C ++、Python、R、JavaScript等）。
Mxnet庫真正出色的是分布式計算，它支持在多個CPU / GPU機訓練你的網路，甚至可以在AWS、Azure以及YARN集群。
它確實需要更多的代碼來設立一個實驗並在mxnet上運行（與Keras相比），但如果你需要跨多個GPU或系統分配訓練，我推薦mxnet。
sklearn-theano
有時候你並不需要終端到終端的培養一個卷積神經網路。相反，你需要把CNN看作一個特徵提取器。當你沒有足夠的數據來從頭培養一個完整的CNN時它就會變得特別有用。僅僅需要把你的輸入圖像放入流行的預先訓練架構，如OverFeat、AlexNet、VGGNet或GoogLeNet，然後從FC層提取特徵（或任何您要使用的層）。
總之，這就是sklearn-theano的功能所在。你不能用它從頭到尾的訓練一個模型，但它的神奇之處就是可以把網路作為特徵提取器。當需要評估一個特定的問題是否適合使用深度學習來解決時，我傾向於使用這個庫作為我的第一手判斷。
nolearn
我在PyImageSearch博客上用過幾次nolearn，主要是在我的MacBook Pro上進行一些初步的GPU實驗和在Amazon EC2 GPU實例中進行深度學習。
Keras把 Theano和TensorFlow包裝成了更具人性化的API，而nolearn也為Lasagne做了相同的事。此外，nolearn中所有的代碼都是與scikit-learn兼容的，這對我來說絕對是個超級的福利。
我個人不使用nolearn做卷積神經網路（CNNs），但你當然也可以用（我更喜歡用Keras和mxnet來做CNNs）。我主要用nolearn來製作Deep Belief Networks (DBNs)。
DIGITS
DIGITS並不是一個真正的深度學習庫（雖然它是用Python寫的）。DIGITS（深度學習GPU培訓系統）實際上是用於培訓Caffe深度學習模式的web應用程序（雖然我認為你可以破解源代碼然後使用Caffe以外其他的後端進行工作，但這聽起來就像一場噩夢）。
如果你曾經用過Caffe，那麼你就會知道通過它的終端來定義.prototxt文件、生成圖像數據、運行網路並監管你的網路訓練是相當繁瑣的。 DIGITS旨在通過讓你在瀏覽器中執行這些任務來解決這個問題。
此外，DIGITS的用戶界面非常出色，它可以為你提供有價值的統計數據和圖表作為你的模型訓練。另外，你可以通過各種輸入輕松地可視化網路中的激活層。最後，如果您想測試一個特定的圖像，您可以把圖片上傳到你的DIGITS伺服器或進入圖片的URL，然後你的Caffe模型將會自動分類圖像並把結果顯示在瀏覽器中。干凈利落！
Blocks
說實話，雖然我一直想嘗試，但截至目前我的確從來沒用過Blocks（這也是我把它包括在這個列表裡的原因）。就像許多個在這個列表中的其他庫一樣，Blocks建立在Theano之上，呈現出一個用戶友好型的API。
deepy
如果讓你猜deepy是圍繞哪個庫建立的，你會猜什麼？
沒錯，就是Theano。
我記得在前一段時間用過deepy（做了初始提交），但在接下里的大概6-8個月我都沒有碰它了。我打算在接下來的博客文章里再嘗試一下。
pylearn2
雖然我從沒有主動地使用pylearn2，但由於歷史原因，我覺得很有必要把它包括在這個列表裡。 Pylearn2不僅僅是一般的機器學習庫（地位類似於scikit-learn），也包含了深度學習演算法的實現。
對於pylearn2我最大的擔憂就是（在撰寫本文時），它沒有一個活躍的開發者。正因為如此，相比於像Keras和mxnet這樣的有積極維護的庫，推薦pylearn2我還有些猶豫。
Deeplearning4j
這本應是一個基於Python的列表，但我想我會把Deeplearning4j包括在這里，主要是出於對他們所做事跡的無比崇敬——Deeplearning4j為JVM建立了一個開源的、分布式的深度學習庫。
如果您在企業工作，你可能會有一個塞滿了用過的Hadoop和MapRece伺服器的儲存器。也許這些你還在用，也許早就不用了。
你怎樣才能把這些相同的伺服器應用到深度學習里？
事實證明是可以的——你只需要Deeplearning4j。
總計
以上就是本文關於13個最常用的Python深度學習庫介紹的全部內容
9. 用MacbookPro來寫C++和Python是怎樣一種體驗
macbook的屏幕很舒服，有錢建議上15寸的。
使用的開發工具比如c++用eclipse, python用sublime體驗都很好
鍵盤的體驗我覺得比thinkpad差點，按鍵的行程略短，但也是筆記本里非常好的了。
10. macbook上自帶python么
MacBook上市自帶python的。
mac自帶的python安裝在/usr/bin/python目錄下,
進入終端直接鍵入python即可進入交互模式,
或是python xxx.py 運行 寫好的python程序。
推薦學習《python教程》。