在高性能环境中部署模型通常意味着删除 Python 依赖项。本指南介绍了如何将模型序列化为可在 C++ 中加载、针对边缘设备进行优化或在 TensorRT 等高吞吐量推理引擎中执行的格式。

PyTorch 是一个基于 Python 的科学计算包，它利用图形处理单元 (GPU) 的强大功能，并通过其动态计算图形系统提供最大的灵活性和速度。

用于从头开始电子结构计算和量子化学的 Python 库。

用于高通量测序管道。它可以有效获取与参考基因组对齐的数十亿个 DNA 片段。

PyProj 对于任何需要高精度的空间分析都是必不可少的。它允许您在数千个不同的参考系统之间转换坐标，并使用最准确的公式（Vincenty、Karney）计算地球椭球表面上的距离。

Pyomo 允许您使用自然的数学语法（集合、参数、变量、约束）定义优化问题。它将模型与求解器解耦，允许不同的引擎求解同一模型，而无需更改代码。

DICOM 不仅仅是图像；它是一个丰富的数据结构，包含患者信息、空间方向和像素数据。 Pydicom 提供对所有这些标签的访问。

ProDy 旨在模拟蛋白质的集体运动。它将蛋白质视为弹性网络，使研究人员能够从单个 PDB 文件或结构集合中预测功能运动和结构灵活性。

Polars 专为速度而设计。与 pandas 在单个 CPU 内核上按顺序处理数据不同，Polar 可以跨所有可用内核并行操作。其“Lazy API”允许其在执行前优化查询，从而显着减少内存开销和处理时间。

Plotly 提供了广泛的交互式图表。其“Plotly Express” API 旨在通过整洁的 DataFrame 实现速度和易用性，而“图形对象”则提供对每个跟踪和属性的低级控制。

Photutils 是从天文图像中提取定量数据的现代标准。它用与 Astropy 生态系统集成的模块化 Python 界面取代了 SExtractor 或 DAOPHOT 等传统工具。

PennyLane 将量子计算机视为神经网络层。它允许计算量子电路的梯度（使用参数移位规则或反向传播），从而实现混合经典量子模型的优化。

标准 pandas 代码通常占用内存且速度缓慢。该子技能提供了通过了解 pandas 的内部架构（BlockManager 和 Arrow 后端）使 pandas 速度提高 10 倍并减少使用 5 倍 RAM 的技术。

OR-Tools 为困难的组合问题提供了专门的求解器。它皇冠上的宝石是 CP-SAT 求解器，它使用约束编程和可满足性技术来找到调度和资源分配问题的最佳解决方案，而这对于标准线性求解器来说是不可能的。

OpenCV（开源计算机视觉库）是计算​​机视觉任务事实上的标准库。它为实时图像和视频处理提供了 2500 多种优化算法，从读取图像等基本操作到人脸识别和 3D 重建等高级任务。

Open Babel（及其 Python 包装器 pybel）是化学数据互操作性的重要工具。它允许研究人员在 SMILES、PDB、SDF、CIF 和高斯输入/输出等格式之间无缝移动数据。

在高容量时，由于不必要的内存分配，标准 NumPy 操作仍然可能很慢。本指南介绍了如何在不离开 Python 的情况下操作数组的内部表示以实现 C 级性能。

Python 数值计算的基础包，提供多维数组和快速运算。

Numba 使 Python 代码运行得更快。它的工作原理是用装饰器装饰你的函数，告诉 Numba 编译它们。它对于涉及大量数值循环和 NumPy 数组操作的代码特别有效。

NetworkX 是分析复杂网络的首选库。它将图视为节点（任何可哈希对象）和边的灵活容器，可以携带任意元数据。