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。

怎么把3dmax場景里單個的模型導(dǎo)出來？

1. 使用完整的3DMAX室內(nèi)場景，演示如何在場景中保存單個模型。啟動3DMAX，打開一個3DMAX場景，然后單擊工具欄中的“選擇對象”按鈕，在3DMAX場景中選擇“椅子”模型。

2. 單擊3DMAX的應(yīng)用程序按鈕，然后從下拉菜單中選擇“另存為”>“保存選定對象”命令。這里保存了3DMAX的單個模型對象。

3. 將彈出“文件另存為”對話框。為選定的單個模型對象選擇并命名保存路徑，然后單擊“保存”將單個模型對象保存在3DMAX場景中。

4. 關(guān)閉整個3DMAX場景。選擇3DMAX快捷工具欄上的“打開”按鈕，在彈出的“打開文件”對話框中，找到剛剛保存的文件，就可以在保存的3DMAX場景中打開單個對象。

求保存高達模型的好方法和環(huán)境對保存的影響？

模型用于設(shè)置。當然，不是到處都放。

建議LZ將模型放入展示柜、玻璃柜等，并鎖好。功能：防塵。通常只是透過玻璃看。展示柜不應(yīng)暴露在陽光直射下。如果LZ面是干的，可以從珠寶店的陳列柜里學(xué)習(xí)。。。放一小杯水在里面。我不太清楚原理。沒有專門的陳列柜。平時有書柜嗎？例如，從樓上幾個人的角度來看，我們可以在表面上得到一些保護性的東西。如果LZ喜歡，我們可以試試。記得模特店好像有“防護漆”，但其實并不常見（不好買）。這些東西大多是手工噴灌，使用起來非常方便，就像香水一樣。如果LZ有模特店，不妨試一試。

keras已訓(xùn)練好模型，一段時間后又有新數(shù)據(jù)，如何在已有模型基礎(chǔ)上繼續(xù)做增量訓(xùn)練？

我也是一個菜鳥，可以作為溝通。。。

在我看來，如果網(wǎng)絡(luò)不需要調(diào)整（例如不添加新的類別），只需使用一個小的學(xué)習(xí)率來微調(diào)網(wǎng)絡(luò)的所有數(shù)據(jù)。

如果網(wǎng)絡(luò)結(jié)構(gòu)發(fā)生變化（如增加新的類別），在前期（如conv層）固定網(wǎng)絡(luò)參數(shù)，后期（如FC層）直接學(xué)習(xí)參數(shù)。然后放開凍結(jié)，微調(diào)大局。

如何提高keras模型預(yù)測速度？

一旦確定了keras模型，在不修改keras框架的源代碼的情況下，什么都不會改變。唯一的出路是擴大GPU。

一般情況下，我們只能嘗試修改模型結(jié)構(gòu)、量化剪枝等方式，自行修改框架源代碼，沒有必要。

通常，為了加快模型的預(yù)測速度，只需加載一次模型即可。

當模型的預(yù)測時間過長時，通常采用減少卷積核、減少卷積核數(shù)、增加步長、增加池單元等方法。一些參數(shù)較少的主干也可能被替換。

或者考慮使用移動終端分離卷積和空穴卷積。

最后，默認情況下，我們的模型由floaf32的精度表示，可以適當量化。它以16位、8位甚至2位精度表示。只要模型的精度不顯著降低，且滿足使用場景，則是合理的。

如果您在這方面還有其他問題，請關(guān)注我，一起學(xué)習(xí)。