Как глубокое обучение стало проще простого ...

TensorFlow действительно хорош. Рабочий процесс плавный, а исполнение отличное. Это проще для моего процессора по сравнению с традиционными реализациями алгоритмов машинного обучения с использованием чистого numpy. Фактически, TensorFlow долгое время была моей любимой библиотекой для машинного обучения.

К сожалению, со временем он устарел, и написание кода с использованием Tensorflow было более утомительным, чем забавным. TensorFlow обещает компактность и высокую производительность. Хотя это может показаться так, но при чрезмерном использовании стало скучно.

Введите tflearn

Tflearn был подарком. Высокая модульность, производительность и точность в сочетании со скоростью ясно указывали на то, насколько это многообещающе. Казалось бы, создание сложных архитектур алгоритмов стало проще. С помощью нескольких строк кода можно было легко построить нейронные сети, которые доставили бы такой удар.

С другой стороны, со временем стало трудно запоминать различные функции и их названия, что поднимало вопросы о гибкости и простоте использования.

Входит Керас.

Керас был идеален. От начала до конца документацию было легко понять и внедрить. Франсуа Шолле, изобретатель фреймворка Keras ML, сделал радость глубокого обучения доступной для всех, от энтузиастов-новичков до опытных профессионалов, которые используют Keras ежедневно.

Создание слоев для нейронных сетей и построение сложных архитектур было легким делом с использованием высокоуровневого API Keras. Концепция последовательного наложения слоев является огромным плюсом для поощрения разработчиков к использованию фреймворка. С помощью нескольких строк кода можно без труда построить многослойную нейронную сеть, такую ​​как сверточная нейронная сеть (CNN).

Хотя звучание Keras похоже на Tflearn, главное отличие заключается в производительности. Пользователи говорят, что построение архитектур NN с помощью Keras повышает производительность и скорость при обучении сети.

Построение и развертывание моделей с использованием фреймворков

Вот несколько простых реализаций обучения двухуровневой нейронной сети на наборе рукописных цифр MNIST.

  • TensorFlow
  • Учиться
  • Керас

Мы видим, что и Keras, и Tflearn похожи по синтаксису. Обе реализации легко читаются, и их можно понять, не ударившись головой о стену.

В двух словах

Для меня Керас всегда был первым выбором при создании и развертывании серийных моделей, будь то на работе или во время экспериментов дома.

Документация хорошо написана и является отличной отправной точкой для использования новичками. Будучи фреймворком, построенным на TensorFlow, он предлагает простоту использования пользователям, которые хотят поработать руками с практическими приложениями глубокого обучения.

С keras (или Tflearn) создание моделей становится увлекательным и увлекательным занятием. Изучение различных функций, которые являются частью библиотек, делает Deep Learning доступным для всех, независимо от возраста и опыта. Посмотрите, что вы можете построить с помощью Keras уже сегодня!

Оригинальная статья Ришаба Ананда