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(qiáng)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(qiáng)大。而且keras的設(shè)計(jì)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(jì)原則之一，用戶可以根據(jù)自己的需求進(jìn)行組合。如果你只是想快速建立通用模型來實(shí)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(diǎn)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(yàn)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(jìn)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(jì)算速度，可以使用tensorflow的thread函數(shù)來實(shí)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。

全概率和貝葉斯的區(qū)別？

1. 總概率公式：首先，建立一個完整的事件組。事實(shí)上，總概率就是在第一階段已知的情況下找到第二階段。例如，第一階段分為三種類型：A、B和C。然后，在A、B和C中，出現(xiàn)D的概率。最后，求出D的概率

P（D）=P（a）*P（D/a）P（b）*P（D/b）P（c）*P（D/c）。貝葉斯公式應(yīng)稱為逆概率公式，只是為了紀(jì)念貝葉斯的名字?；趯θ怕使降睦斫?，貝葉斯實(shí)際上被稱為第二階段，第一階段，關(guān)鍵是用條件概率公式來做一個大的轉(zhuǎn)變，遵循上面建立的a B C就像D模型一樣，如果P（D）已知，我們就可以求出D在一次發(fā)生下的概率，這就是貝葉斯

如果你是一個面試者，怎么判斷一個面試官的機(jī)器學(xué)習(xí)水平？