Tôi mới bắt đầu học Mạng thần kinh để học sâu từ cs231. Tôi đang cố gắng triển khai Mạng thần kinh trong Python. Tôi đang xem xét bằng cách sử dụng Tensorflow hoặc scikit-learn. Một số ưu và nhược điểm của các thư viện cho ứng dụng này là gì?
Tôi mới bắt đầu học Mạng thần kinh để học sâu từ cs231. Tôi đang cố gắng triển khai Mạng thần kinh trong Python. Tôi đang xem xét bằng cách sử dụng Tensorflow hoặc scikit-learn. Một số ưu và nhược điểm của các thư viện cho ứng dụng này là gì?
Câu trả lời:
Trong khóa học cs231n, theo như tôi nhớ, bạn dành phần lớn thời gian để tự mình thực hiện các mạng thần kinh không sử dụng gì ngoài NumPy! đó chắc chắn là một kinh nghiệm học tập tuyệt vời cho tôi.
Sau đó, trong các bài tập cuối cùng, bạn chắc chắn cần phải xem xét cả TensorFlow ( ví dụ ) hoặc Pytorch ( ví dụ ) để xây dựng các mạng phức tạp hơn. Những khung này được xây dựng bởi những người như những người tạo ra các khóa học như CS231n - các nhà nghiên cứu và chuyên gia trong ngành.
Các SciKit Tìm hiểu module mạng thần kinh bao gồm mạng feed-forward cho một trong hai phân loại hoặc hồi quy, nhưng không fancier, chẳng hạn như các mạng chập (CNNs), mạng lưới tái phát (RNNs) hoặc các thành phần kỳ lạ hơn khác, chẳng hạn như các chức năng kích hoạt riêng biệt.
Tôi đồng ý với Djib2011, rằng Keras là một lựa chọn tuyệt vời để bắt đầu - và sẽ cho phép bạn chọn giữa TensorFlow, CNTK hoặc Theano làm phụ trợ. Keras là một trình bao bọc đồng phục đẹp mắt xung quanh tất cả ba khung quái vật, vì vậy hãy để bạn hoàn thành mọi thứ và chạy rất nhanh. Dưới đây là một so sánh tương đối gần đây và hữu ích của Keras với Pytorch
Khi bạn đã quen thuộc với một công cụ như Keras, việc sử dụng nó sẽ nhanh hơn so với các dịch vụ đơn giản trong SciKit Learn.
Tôi biết bạn đã không hỏi về PyTorch, nhưng tôi nghĩ tôi đã đề cập đến nó, với tư cách là một trong những người sáng tạo ban đầu của CS231n, Andrej Karpathy, nói rằng đó là khuôn khổ tốt nhất ( nguồn 1 , nguồn 2 ).
tf.eagerapi của nó , tương đương với PyTorch.