锐客网

  1. 首页 > 睿知 > it技术 > >

python函数学习深度 python入门函数( 三 )

IT技术学习


虽然我很喜欢Caffe的性能（它每天可以在K40 GPU上处理60万张图片） ， 但相比之下我更喜欢Keras和mxnet 。
主要的原因是，在.prototxt文件内部构建架构可能会变得相当乏味和无聊 。更重要的是，Caffe不能用编程方式调整超参数！由于这两个原因，在基于Python的API中我倾向于对允许我实现终端到终端联播网的库倾斜（包括交叉验证和调整超参数） 。
Theano
在最开始我想说Theano是美丽的 。如果没有Theano，我们根本不会达到现有的深度学习库的数量（特别是在Python） 。同样的，如果没有numpy，我们就不会有SciPy、scikit-learn和 scikit-image,，同样可以说是关于Theano和深度学习更高级别的抽象 。
非常核心的是，Theano是一个Python库，用来定义、优化和评估涉及多维数组的数学表达式 。Theano通过与numpy的紧密集成，透明地使用GPU来完成这些工作 。
虽然可以利用Theano建立深度学习网络，但我倾向于认为Theano是神经网络的基石，同样的numpy是作为科学计算的基石 。事实上，大多数我在文章中提到的库都是围绕着Theano，使自己变得更加便利 。
不要误会我的意思，我爱Theano，我只是不喜欢用Theano编写代码 。
在Theano建设卷积神经网络就像只用本机Python中的numpy写一个定制的支持向量机（SVM），当然这个对比并不是很完美 。
你可以做到吗？
当然可以 。
它值得花费您的时间和精力吗？
嗯 ， 也许吧 。这取决于你是否想摆脱低级别或你的应用是否需要 。
就个人而言，我宁愿使用像Keras这样的库，它把Theano包装成更有人性化的API，同样的方式，scikit-learn使机器学习算法工作变得更加容易 。
TensorFlow
与Theano类似，TensorFlow是使用数据流图进行数值计算的开源库（这是所有神经网络固有的特征） 。最初由谷歌的机器智能研究机构内的Google Brain Team研究人员开发，此后库一直开源 ， 并提供给公众 。
相比于Theano  ， TensorFlow的主要优点是分布式计算，特别是在多GPU的环境中（虽然这是Theano正在攻克的项目） 。
除了用TensorFlow而不是Theano替换Keras后端，对于TensorFlow库我并没有太多的经验 。然而在接下来的几个月里，我希望这有所改变 。
Lasagne
Lasagne是Theano中用于构建和训练网络的轻量级库 。这里的关键词是轻量级的 ， 也就意味着它不是一个像Keras一样围绕着Theano的重包装的库 。虽然这会导致你的代码更加繁琐，但它会把你从各种限制中解脱出来 ， 同时还可以让您根据Theano进行模块化的构建 。
简而言之：Lasagne的功能是Theano的低级编程和Keras的高级抽象之间的一个折中 。
我最喜欢的：
Keras
如果我必须选出一个最喜欢的深度学习Python库，我将很难在Keras和mxnet中做出抉择——但最后，我想我会选Keras 。
说真的，Keras的好处我说都说不完 。
Keras是一个最低限度的、模块化的神经网络库，可以使用Theano或TensorFlow作为后端 。Keras最主要的用户体验是，从构思到产生结果将会是一个非常迅速的过程 。
在Keras中架构网络设计是十分轻松自然的 。它包括一些state-of-the-art中针对优化（Adam ， RMSProp）、标准化（BatchNorm）和激活层（PReLU，ELU，LeakyReLU）最新的算法 。
Keras也非常注重卷积神经网络，这也是我十分需要的 。无论它是有意还是无意的，我觉得从计算机视觉的角度来看这是非常有价值的 。
更重要的是，你既可以轻松地构建基于序列的网络（其中输入线性流经网络）又可以创建基于图形的网络（输入可以“跳过”某些层直接和后面对接） 。这使得创建像GoogLeNet和SqueezeNet这样复杂的网络结构变得容易得多 。

推荐阅读


上一篇：xr升ios14怎么样，xr升16系统怎么样

下一篇：u盘自动播放文件怎么关闭，u盘取消自动播放