Keras還是TensorFlow，程序員該如何選擇深度學習框架？如果想盡可能快速并且以少量的代碼建立并測試神經(jīng)網(wǎng)絡，keras是最快速的， Sequential API和Model的功能十分強大。并

Keras還是TensorFlow，程序員該如何選擇深度學習框架？

如果想盡可能快速并且以少量的代碼建立并測試神經(jīng)網(wǎng)絡，keras是最快速的， Sequential API和Model的功能十分強大。并且keras的設計十分用戶友好，以數(shù)據(jù)輸入輸為例，對比keras簡單的操作，tensorflow解碼編碼的構(gòu)建過程特別繁雜（尤其對于初學者來說，大量的記憶過程上手非常痛苦）。除此之外，keras將模塊化作為設計原則之一，使用者可以各按所需進行組合。如果只是想快速地搭建常見的模型來實現(xiàn)自己的想法，keras可以作為首選。

但是，keras在封裝后會變得很不靈活，并且加上它本身速度也比較慢，如果是高度封裝，前面提到的缺點會更加明顯，除了一些對速度要求很低的工業(yè)應用，tensorflow會因為更高速而被選擇

如果在驗證自己想法的時候，不想用既有的設定而是想要自己定義損失函數(shù)、測度、層數(shù)等等，相比keras，tensorflow提供了更多個性的空間。此外，對神經(jīng)網(wǎng)絡控制力度的大小會很大程度決定對網(wǎng)絡的理解和優(yōu)化工作，而keras種提供的權(quán)限很少，tensorflow相反給了更多操控權(quán)，比如對多個變量中的某一變量是否進行訓練、對梯度進行操作(以獲取訓練的進展)等等。

雖然二者都提供深度學習模型通常所需的功能性，但是，如果使用者還追求一些更高階的功能性的選擇，像是進行特殊種類模型的研究，就要求諸tensorflow了。比如，如果想要運算加速，可以使用tensorflow的線程功能，多線程實行同一對話。另外，它還提供調(diào)試器的功能，對推斷bug和加速運算都有幫助。

請問神經(jīng)網(wǎng)絡有多個輸出的回歸問題，損失函數(shù)如何定義比較合理？

個人認為有多個輸出倒和損失函數(shù)的類型選擇沒有特別直接的關(guān)系，一般使用交叉熵就沒什么問題，就是用mse也不會有特別顯著的差別，不過最好加上一范數(shù)(計算量略小些)的正則化因子，倒是這個輸出到底有多大是影響算法收斂的關(guān)鍵因素，因為如果需要對結(jié)果進行歸一化也是很耗費機器時間的，如輸出實在是太多，比如超過了上千個，那么可以考慮試試層次式的softmax，代碼可參看word2vec，希望對你有幫助

邏輯回歸為什么使用對數(shù)損失函數(shù)？

兩種方法都是常見的分類算法，從目標函數(shù)來看，區(qū)別在于邏輯回歸采用的是logistical loss，svm采用的是hinge loss.這兩個損失函數(shù)的目的都是增加對分類影響較大的數(shù)據(jù)點的權(quán)重，減少與分類關(guān)系較小的數(shù)據(jù)點的權(quán)重.SVM的處理方法是只考慮support vect。

卷積神經(jīng)損失函數(shù)怎么加入正則化？

【AI瘋狂進階——正則化篇 - 今日頭條】https://m.toutiaocdn.com/item/6771036466026906123/?app=news_article&timestamp=1576629967&req_id=201912180846060100140470162DE60E99&group_id=6771036466026906123&tt_from=copy_link&utm_source=copy_link&utm_medium=toutiao_ios&utm_campaign=client_share

神經(jīng)網(wǎng)絡正則化技術(shù)包括數(shù)據(jù)增強，L1，L2，batchnorm，dropout等技術(shù)，我在上面的文章中詳細總結(jié)了神經(jīng)網(wǎng)路正則化的技術(shù)以及相關(guān)的問題，如果有興趣想可以關(guān)注我，持續(xù)為你帶來AI相關(guān)的理論到實踐應用。