Глубокое обучение — это подраздел Машинного обучения, основанный на искусственных нейронных сетях. Неконтролируемые предварительно обученные сети (UPN), Сверточные нейронные сети (CNN), Рекуррентные нейронные сети и Рекурсивные нейронные сети — это четыре основные сетевые архитектуры в Deep Learning. Одно из основных различий между глубоким обучением и машинным обучением заключается в способе доставки данных в систему. Он обладает большей вычислительной мощностью, что делает его одним из мощных и важных подмножеств машинного обучения.

Существует множество фреймворков глубокого обучения; однако мы рассмотрим и перечислим наиболее предпочтительные фреймворки.

TensorFlow
Tensorflow, разработанный и поддерживаемый Google, является лучшей и самой популярной платформой глубокого обучения. Его можно использовать для создания и развертывания моделей глубокого обучения. Его можно использовать с Keras для построчного построения нейронных сетей.

PyTorch
PyTorch — еще одна библиотека, разработанная исследовательской лабораторией искусственного интеллекта Facebook. Она используется для разработки и обучения нейронных сетей. Это пакет Python, который можно использовать с Python и C++. Это одна из предпочтительных библиотек глубокого обучения для исследователей.

Keras
Keras — это библиотека нейронных сетей с открытым исходным кодом на основе Python. Это высокоуровневый API, построенный на Theano и Tensorflow, который считается более удобным для пользователя.

MXNet
Apache MXNet — это программная среда глубокого обучения с открытым исходным кодом, разработанная Apache Software Foundation. MXNet означает Mix and Maximize. Его способность быстро решать проблемы делает его эффективной библиотекой глубокого обучения для обучения и развертывания нейронных сетей.

Caffe
Caffe — это CAFFE, написанная на C++ и Python, — это среда глубокого обучения, разработанная Berkeley AI Research (BAIR). Caffe в первую очередь разработан для скорости, что делает его идеальным выбором для исследовательских экспериментов и развертывания в промышленности.

Что дальше?
Если вы энтузиаст науки о данных и намерены изучить и освоить глубокое обучение, ознакомьтесь с нашими книгами по "здесь".