1樓：Lanking
有，但是不屬於框架的範疇。比如說numpy就沒有多少定義的大函式... 如果你要實現乙個演算法也都得手寫... sklearn就是呼叫numpy和scipy的功能。
同理，pytorch在深度學習地位和numpy類似，但是深度學習應用不會直接包在框架裡，對比之下，huggingface和torchvision都是相對成熟的應用層的包，可以一行用預訓練模型幹各種事... 還有torch*各類pytorch環繞建的生態。
2樓：射命丸咲
一般來說會有人基於 PyTorch，去寫乙個像 sklearn 一樣的東西
比如說——（下面是硬廣）
carefree-learn
這個東西不僅能達到題主的要求，甚至可能還做多了點微小的工作比如可以直接 file in、file out：
import
cflearn
fcnn
=cflearn
.make
()fcnn
.fit
(train_file
)# train_file 是訓練資料集的檔案路徑fcnn
.predict
(test_file
)# test_file 是測試資料集的檔案路徑這背後包含了一套（效果尚可的）資料預處理過程，理論上來說只要是個資料集都能把你給煉咯（不
3樓：
通常封裝好的東西在業界是最難用的，一堆部署問題和實際環境/裝置相容問題。
就算是在學界，封裝好的東西也沒什麼用。因為太死板不方便二次開發甚至是創新。
封裝程度過高的產品雖然好用，但是注定只能用來學習和建toy model。
封裝程度過低，二次開發的工作量就會十分大。
pytorch是我見過的目前為止兩者平衡上做得最好的平台了，沒有之一。即使要翻原始碼也十分方便易懂。
4樓：Colin
想到的可能原因是:
pyTorch為的是深度學習的計算, 深度學習的特點就是靈活的結構, 而靈活的結構難以使用超參來定義的;
skLearn為的是傳統的機器學習, 傳統的機器學習都有固定的結構, 所以很好用超參來定義.
所以pyTorch不好封裝深度學習模型, skLearn很好封裝傳統的機器學習模型.
5樓：
定位不一樣
你應該把Pytorch和numpy比較，注重的是flexibility，scalability，要方便研究者和開發者實現新的演算法
sklearn實現的演算法都是上個世紀就成熟的了，基本不需要考慮這個問題
6樓：Vince Yi
因為pytorch的優勢就是可以自定義函式，這種優勢在改模型時會非常有用。pytorch也有很多封裝函式比如各種loss很cnn, maxpooling, rnn layer等，基本上sklearn能夠實現的pytroch都可以實現
現在的lol環境 為什麼不適合打運營（像skt那樣？
咲川天皇 首先就是實力 Lck選手的實力不再獨步天下，不是拿出乙個位置來都是世界頂尖了。原先真的是人才輩出，現在不行了。不是lck撈了，而是lpl lec強了。什麼？你說lcs？濤聲依舊啊 實力下降，也就代表戰術執行力不夠了。都是賽區頂尖強隊，你想帶著別人團團轉，選手實力必須到位，戰術執行力必須足夠...
為什麼 USB 介面不能像 Lightning Dock 介面一樣，不分正反插入？
張石 usb剛出現和推廣的時候，電腦上還很多介面 串列埠 並口 印表機等等 而且全部 除了耳機介面 都是要看準方向才能插的，那時非usb介面一樣都存在 沒先看準的情況下 插幾次才插對的問題，滑鼠的圓口 老使用者應該記憶猶新，針很容易歪！更難插，不止是正反問題，還要對準角度。當時要設計出不分正反是需要...
為什麼我們不能像美國制裁Tik Tok那樣制裁蘋果？
馬克思主義羊 你知道蘋果有多聽話麼，谷歌不答應的事情，蘋果可是挨個答應了。不僅如此，蘋果繳稅也高，帶動了一堆相關產業鏈。人家就是來賺錢的，何必呢，和氣生財不好嗎？ 哲子戲 谷歌也是被這樣趕出去的，只是一報還一報罷了。果然大多數人還是很健忘的啊。回到正題，我們能不能像美國那麼做呢？我們不能！為什麼不能...