Keras還是TensorFlow，程序員該如何選擇深度學(xué)習(xí)框架？如果您想用少量的代碼盡快地構(gòu)建和測試神經(jīng)網(wǎng)絡(luò)，keras是最快的，而且sequential API和model非常強大。而且keras

Keras還是TensorFlow，程序員該如何選擇深度學(xué)習(xí)框架？

如果您想用少量的代碼盡快地構(gòu)建和測試神經(jīng)網(wǎng)絡(luò)，keras是最快的，而且sequential API和model非常強大。而且keras的設(shè)計非常人性化。以數(shù)據(jù)輸入和輸出為例，與keras的簡單操作相比，tensorflow編譯碼的構(gòu)造過程非常復(fù)雜（尤其對于初學(xué)者來說，大量的記憶過程非常痛苦）。此外，keras將模塊化作為設(shè)計原則之一，用戶可以根據(jù)自己的需求進行組合。如果你只是想快速建立通用模型來實現(xiàn)你的想法，keras可以是第一選擇。

但是，包裝后，keras將變得非常不靈活，其速度相對較慢。如果高度包裝，上述缺點將更加明顯。除了一些對速度要求較低的工業(yè)應(yīng)用外，由于tensorflow的速度較高，因此會選擇tensorflow

如果您在驗證您的想法時，想定義損失函數(shù)而不是使用現(xiàn)有的設(shè)置，與keras相比，tensorflow提供了更大的個性空間。此外，對神經(jīng)網(wǎng)絡(luò)的控制程度將在很大程度上決定對網(wǎng)絡(luò)的理解和優(yōu)化，而keras提供的權(quán)限很少。相反，tensorflow提供了更多的控制權(quán)，比如是否訓(xùn)練其中一個變量、操作梯度（以獲得訓(xùn)練進度）等等。

盡管它們都提供了深度學(xué)習(xí)模型通常需要的功能，但如果用戶仍然追求一些高階功能選擇，例如研究特殊類型的模型，則需要tensorflow。例如，如果您想加快計算速度，可以使用tensorflow的thread函數(shù)來實現(xiàn)與多個線程的相同會話。此外，它還提供了調(diào)試器功能，有助于推斷錯誤和加快操作速度。

多個線程可以讀一個變量，只有一個線程可以對這個變量進行寫，到底要不要加鎖？

下面簡要說明以下原因：

鎖定是因為操作不是原子的。讓我們用操作一來解釋它。看下面兩個圖。

我這個操作需要

看上面的第二個圖，你能很清楚地理解這個過程嗎？

鎖定是為了確保上述三個步驟是原子操作。

回到問題上來，只有一個線程要寫，沒有競爭，所以不需要鎖定。

但是，如果你看第一張圖片，因為主內(nèi)存和本地內(nèi)存的存在

在一個線程寫入后，其他線程無法立即看到它。這就是可見性問題。

添加volatile關(guān)鍵字后，它將在操作后強制工作內(nèi)存和主內(nèi)存同步，以確保其他線程可以立即看到它。