TensorFlow cung cấp thêm gì cho máy ảnh?

Tôi biết rằng máy ảnh phục vụ như một giao diện cấp cao cho TensorFlow.

Nhưng đối với tôi, máy ảnh có thể tự thực hiện nhiều chức năng (nhập dữ liệu, tạo mô hình, đào tạo, đánh giá).

Hơn nữa, một số chức năng của TensorFlow có thể được chuyển trực tiếp đến máy ảnh (ví dụ: có thể sử dụng số liệu tf hoặc chức năng mất trong máy ảnh).

Câu hỏi của tôi là, TensorFlow cung cấp những gì không thể được sao chép trong máy ảnh?

Các khung Deep Learning hoạt động ở 2 cấp độ trừu tượng:

• Cấp độ thấp hơn : Đây là nơi các khung như Tensorflow, MXNet, Theano và PyTorch ngồi. Đây là cấp độ mà các hoạt động toán học như phép nhân Ma trận tổng quát và ma trận mạng nguyên thủy như các phép toán Convolutional được thực hiện.
• Cấp độ cao hơn : Đây là nơi các khung như Keras ngồi. Ở cấp độ này, các nguyên hàm cấp thấp hơn được sử dụng để triển khai trừu tượng Mạng thần kinh như Lớp và mô hình. Nói chung, ở cấp độ này, các API hữu ích khác như tiết kiệm mô hình và đào tạo mô hình cũng được triển khai.

Bạn không thể so sánh Keras và TensorFlow vì chúng nằm ở các mức độ trừu tượng khác nhau. Tôi cũng muốn nhân cơ hội này để chia sẻ kinh nghiệm sử dụng Keras của mình:

• Tôi không đồng ý rằng Keras chỉ hữu ích cho công việc Deep Learning cơ bản. Keras là một API được viết rất đẹp. Bản chất chức năng của API giúp bạn hoàn toàn và tránh xa các ứng dụng kỳ lạ hơn. Keras không chặn truy cập vào các khung mức thấp hơn.
• Keras kết quả trong mã ngắn gọn và dễ đọc hơn nhiều.
• Các API tuần tự hóa / giải tuần tự mô hình hóa của Keras, các cuộc gọi lại và truyền dữ liệu bằng các trình tạo Python rất trưởng thành.
• Keras đã được tuyên bố là sự trừu tượng hóa cấp cao chính thức cho TensorFlow.

Nếu bạn sử dụng TensorFlow làm phụ trợ của bạn trong máy ảnh, họ ít nhiều sẽ chia sẻ cùng một chức năng. Thông qua keras.backendbạn một chức năng truy cập TensorFlow, trong khi thông qua tf.kerasbạn có quyền truy cập vào toàn bộ API thông qua TensorFlow.

Vì đây là trường hợp, tôi khuyên bạn nên gắn bó với máy ảnh và nếu bạn thấy thiếu thứ gì đó (ví dụ: số liệu hoặc hàm mất), bạn có thể nhập nó thông qua TensorFlow.

Máy ảnh như bạn nói có chứa tất cả các chức năng nhưng ngoài hộp nó chỉ chạy trên CPU. Bằng cách cắm vào một phụ trợ như TensorFlow hoặc CNTK (mà cá nhân tôi thích), bạn sẽ mở khóa sức mạnh của GPU, có thể tăng tốc đáng kể một số khối lượng công việc ML, đặc biệt là khối lượng công việc DL. Nếu bạn không có GPU rời, lợi ích là tối thiểu.

Hầu hết thời gian trong thực tế, bạn chỉ có thể đặt phần phụ trợ của mình và quên nó đi, và làm việc hoàn toàn trong Keras, thậm chí trao đổi phần phụ trợ của bạn cho phần khác và so sánh hiệu suất. Vì vậy, không cần phải tìm hiểu chi tiết cụ thể về TF trừ khi bạn muốn mã trực tiếp ở cấp thấp hơn.

Cho rằng TensorFlow là một thư viện cấp thấp hơn so với Keras nói chung, bạn sẽ thấy điều này cung cấp thêm tính linh hoạt và hiệu suất được cải thiện (mặc dù tương đối nhỏ, phụ thuộc chủ yếu vào cách bạn viết mã của mình). Tôi có thể nói, nếu bạn đang nghiên cứu hoặc phát triển các loại mạng thần kinh mới, kiến ​​thức về TensorFlow sẽ rất hữu ích. Ngoài ra, bạn sẽ ổn với Keras mặc dù hiểu cách thức hoạt động của TensorFlow vẫn có thể hữu ích nếu bạn sử dụng nó như một phụ trợ.

Tuy nhiên, một thời gian trước tôi đã đọc rằng Keras và TensorFlow sẽ trở nên tích hợp hơn, điều này sẽ giúp cuộc sống của bạn dễ dàng hơn rất nhiều.

Rõ ràng đây chỉ là quan điểm cá nhân của tôi, do đó tôi muốn chỉ cho bạn một số bài viết thêm để bạn có thể đọc một số bài của riêng bạn. Thảo luận về Kaggle này cung cấp một cái nhìn tổng quan tuyệt vời về các đối số và khi nào nên sử dụng. Bài trung bình về chủ đề này.

Mỗi người mới bắt đầu có truy vấn này. Dường như Keras luôn giải quyết các chức năng cơ bản như nhập dữ liệu, tạo mô hình, đào tạo, đánh giá trong ít dòng mã hơn.

Nhưng sau đó khi bạn bắt đầu phát triển mô hình ML từ đầu, bạn nhận ra rằng bạn có thể lập trình rất nhiều toán học vào NN và thư viện tenorflow cung cấp rất nhiều chức năng và kiểm soát làm cho các khái niệm đó trở nên thực tế. Các khía cạnh toán học của Học tập có thể dễ dàng hình dung và được thực hiện bằng cách sử dụng NN được thực hiện bằng tf.