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(cè)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(cè)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(duì)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(duì)較慢。如果高度包裝，上述缺點(diǎn)將更加明顯。除了一些對(duì)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(huì)選擇tensorflow

如果您在驗(yàn)證您的想法時(shí)，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(gè)性空間。此外，對(duì)神經(jīng)網(wǎng)絡(luò)的控制程度將在很大程度上決定對(duì)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(gè)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(gè)線程的相同會(huì)話。此外，它還提供了調(diào)試器功能，有助于推斷錯(cuò)誤和加快操作速度。

人的大腦大約相當(dāng)于多大內(nèi)存？

人腦不是計(jì)算機(jī)，它不能用二進(jìn)制來測(cè)量，所以不能用多少g來測(cè)量。首先，讓我們看看大腦的結(jié)構(gòu)。

人腦是所有器官中最復(fù)雜的部分，是所有神經(jīng)系統(tǒng)的中心。雖然它看起來像一個(gè)完整的區(qū)塊，它的各種功能可以理解通過神經(jīng)系統(tǒng)專家。人腦可分為三個(gè)部分：中樞、邊緣系統(tǒng)和大腦皮層。腦核負(fù)責(zé)人類日常基本生活的處理，包括呼吸、心跳、覺醒、運(yùn)動(dòng)、睡眠、平衡、早期感覺系統(tǒng)等。邊緣系統(tǒng)負(fù)責(zé)動(dòng)作、情緒、記憶處理等功能。此外，它還負(fù)責(zé)體溫、血壓、血糖等家庭活動(dòng)。大腦皮層負(fù)責(zé)人類大腦的高級(jí)認(rèn)知和情感功能。它分為兩個(gè)主要部分：左腦和右腦。每個(gè)部分包括四個(gè)部分：額葉、頂葉、枕葉和顳葉。2014年3月，《自然》雜志發(fā)表了一篇文章，分析了老鼠大腦中13個(gè)神經(jīng)元的結(jié)構(gòu)，使用了高達(dá)1TB的數(shù)據(jù)。而一個(gè)重約1.4公斤的成人大腦大約有1000億個(gè)神經(jīng)元。計(jì)算人腦存儲(chǔ)容量的數(shù)據(jù)大小。即使1000億個(gè)神經(jīng)元中只有十分之一被使用，也有多達(dá)100億個(gè)神經(jīng)元被使用。鼠標(biāo)13個(gè)神經(jīng)元系統(tǒng)用于1TB的數(shù)據(jù)，因此人腦的存儲(chǔ)容量相當(dāng)于7.6億TB的數(shù)據(jù)。

pb怎么通過OLE來顯示word文檔？

導(dǎo)入tensorflow作為tf

路徑=“測(cè)試.pb“#Pb file location and file name

inputs=[”inputs“]#模型文件的輸入節(jié)點(diǎn)名

outputs=[”outputs“]#模型文件的輸出節(jié)點(diǎn)名

converter=tf.contrib.lite公司. TocoConverter.from凍結(jié)圖（路徑、輸入、輸出）

tflite模型=轉(zhuǎn)換器.convert（）

打開（”測(cè)試.tflite“，”wb“）.write（tflite umodel）

tflite支持batchnorm，上面的代碼使用tensorflow 1.12.0

tensorflow保存好訓(xùn)練的模型，restore后驗(yàn)證集的正確率很低？

從未使用過tensorflow，我想從數(shù)據(jù)的角度來看

1。導(dǎo)入后，隨機(jī)查看多個(gè)節(jié)點(diǎn)的權(quán)重參數(shù)，看網(wǎng)絡(luò)是否正常保存

2。這是你第一次用測(cè)試列車數(shù)據(jù)規(guī)范化數(shù)據(jù)，第二次只使用測(cè)試數(shù)據(jù)

3。一些隨機(jī)方法可以在網(wǎng)絡(luò)中使用，如隨機(jī)抽樣

4。使用聯(lián)機(jī)更新