Keras還是TensorFlow，程序員該如何選擇深度學習框架？如果您想用少量的代碼盡快地構建和測試神經(jīng)網(wǎng)絡，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習框架？

如果您想用少量的代碼盡快地構建和測試神經(jīng)網(wǎng)絡，keras是最快的，而且sequential API和model非常強大。而且keras的設計非常人性化。以數(shù)據(jù)輸入和輸出為例，與keras的簡單操作相比，tensorflow編譯碼的構造過程非常復雜（尤其對于初學者來說，大量的記憶過程非常痛苦）。此外，keras將模塊化作為設計原則之一，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)絡的控制程度將在很大程度上決定對網(wǎng)絡的理解和優(yōu)化，而keras提供的權限很少。相反，tensorflow提供了更多的控制權，比如是否訓練其中一個變量、操作梯度（以獲得訓練進度）等等。

盡管它們都提供了深度學習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，它還提供了調試器功能，有助于推斷錯誤和加快操作速度。

PyTorch和Gluon有什么區(qū)別？

兩者都是深度學習平臺，可用于卷積神經(jīng)網(wǎng)絡、RNN等深度學習模型的構建、訓練和學習。

首先，不同的公司提供支持。Python來自Facebook，glion來自Amazon。

那么，類型定位就不同了。如果詳細劃分，Python是一個靈活的后端深度學習平臺，tensorflow和mxnet被視為一種類型，glion是一個高度集成的前端平臺，keras是一種類型。也就是說，glion的一個函數(shù)或對象集成了mxnet的多個功能，glion的一個命令就可以完成mxnet的開發(fā)，就像keras使用tensorflow作為后端一樣，keras高度集成了這些后端平臺的功能。

其次，編程方法，Python是基于命令編程的，簡單但速度有限，glion結合了符號編程和命令編程，既快又簡單。

最后，靈活性。Python的集成度沒有glion那么高，所以它是高度可定制的。膠子的集成度太高，靈活性有限。

面對Tensorflow，為何我選擇PyTorch？

讓我們從Python的缺點開始。python自發(fā)布以來，在學術界實際生產(chǎn)中的應用比工業(yè)界多，主要原因是它不夠成熟，很多接口不穩(wěn)定，綜合性不夠。Tensorflow仍有許多Python不支持的功能，如快速傅立葉變換，但隨著Python的發(fā)展，這一缺點將逐漸減少。另外，與tensorflow的靜態(tài)圖相比，tensorflow的靜態(tài)圖很容易部署到任何地方（這比許多框架都要好得多），Python的深度學習框架比Python更先進，部署到其他產(chǎn)品上會非常不方便。

優(yōu)勢從一開始就有。盡管tensorflow自2015年發(fā)布以來受到了許多方面的青睞，比如theano，但tensorflow使用的是靜態(tài)計算圖。對于新手來說，有太多的新概念需要學習。因此，無論如何開始或構建，使用tensorflow都比python更困難。2017年，Python被團隊開放源碼的一個主要原因是更容易構建深度學習模型，這使得Python發(fā)展非常迅速。在數(shù)據(jù)加載方面，Python用于加載數(shù)據(jù)的API簡單高效。它的面向對象API來自于porch（這也是keras的設計起源），它比tensorflow的困難API友好得多。用戶可以專注于實現(xiàn)自己的想法，而不是被框架本身所束縛。

在速度方面，python不會為了靈活性而放棄速度。雖然運行速度與程序員的水平密切相關，但在相同的情況下，它可能比其他框架更好。另外，如果追求自定義擴展，python也會是首選，因為雖然兩者的構造和綁定有一些相似之處，但tensorflow在擴展中需要大量的模板代碼，而只有接口和實現(xiàn)是python編寫的。

python代碼記不住可以找工作嗎？

感謝您的邀請。代碼是不會被記住的。你可以多練習。建議通過做小項目來學習。你可以注意我的標題“尤凡提”。課堂上錄了很多視頻，包括Python/機器學習簡介/深度學習簡介/pyspark大數(shù)據(jù)開發(fā)/人臉識別項目等，你可以從Python項目開始，根據(jù)我的視頻一步一步地做項目，慢慢的你會感覺到，也不會問這樣的問題。如果硬件條件好，可以選擇人工智能作為未來的發(fā)展方向。人工智能的發(fā)展一般是從python開始的，但是對數(shù)學和統(tǒng)計學，特別是概率論和統(tǒng)計學有一定的要求。

人工智能學習的總體路線圖：1。數(shù)據(jù)科學中的統(tǒng)計學基礎

你可能沒有太多的時間去系統(tǒng)地學習。掌握數(shù)據(jù)分析和挖掘所需的統(tǒng)計基礎，以后慢慢補課。當然，你的專業(yè)是統(tǒng)計學，所以沒什么大問題。

2. Python核心編程

這本市面上的Python書和視頻幾乎一樣。我建議你看我的視頻，快速開始一個小項目。

3. Python

數(shù)據(jù)分析/數(shù)據(jù)挖掘

掌握numpy、pandas、Matplotlib等與數(shù)據(jù)分析相關的庫，如果數(shù)據(jù)分析是發(fā)展方向，則關注pandas/Matplotlib，而關注numpy則是AI方向。

4. 機器學習

重點掌握sklearn機器學習庫，熟悉各種機器學習算法的優(yōu)缺點和應用場合。

5. 深入學習

關注CNN/RNN和常見變體，tensorflow2/keras/pytorch框架。

6. 計算機視覺/自然語言處理/語音技術

計算機視覺相對成熟，而NLP是近年來學術界爆發(fā)的主要方向。

希望對您有所幫助

?？粕鷮W了python然后投了一堆簡歷根本沒有面試邀請，就是因為學歷低嗎？

事實上，這是由于Python的語言特性。當你學習咕嚕，你會發(fā)現(xiàn)它很熱。因為學生太少，需要幫助的企業(yè)也很多，現(xiàn)在還很早。不過，我加入了python，但我也可以學習golang。學習時間很短。