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和模型的功能非常強(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和模型的功能非常強(qiáng)大。而且keras的設(shè)計(jì)非常友好。以數(shù)據(jù)輸入和傳輸為例，與keras的簡(jiǎn)單操作相比，tensorflow編譯碼的構(gòu)造過(guò)程非常復(fù)雜（尤其對(duì)于初學(xué)者來(lái)說(shuō)，大量的記憶過(guò)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)需要進(jìn)行組合。如果您只想快速構(gòu)建通用模型來(lái)實(shí)現(xiàn)自己的想法，keras可以是首選。

但是，keras在包裝后會(huì)變得非常不靈活，而且速度也相對(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，tensorflow會(huì)選擇更高的速度

如果我們不想使用現(xiàn)有的設(shè)置，我們想在驗(yàn)證他們的想法、測(cè)量、層數(shù)等時(shí)自己定義損失函數(shù)，tensorflow比keras提供了更大的個(gè)性空間。此外，神經(jīng)網(wǎng)絡(luò)控制的規(guī)模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)威性很小。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)練的進(jìn)度）等等。

雖然兩者都提供了深度學(xué)習(xí)模型所需的功能特性，但如果用戶仍然追求一些更高階的功能選擇，例如特殊類型的模型，則需要對(duì)tensorflow進(jìn)行一些研究。例如，如果您想加速操作，可以使用tensorflow的thread函數(shù)，多線程實(shí)現(xiàn)相同的對(duì)話。此外，它還提供調(diào)試器功能，幫助推斷錯(cuò)誤和加速操作。

kerasys是什么牌子？

Kerasys是韓國(guó)Akim公司的產(chǎn)品。

主要產(chǎn)品有洗發(fā)水、護(hù)發(fā)素、香皂、牙膏等

產(chǎn)品介紹：

kerasys是韓國(guó)公司的產(chǎn)品，您可以隨意觀看韓劇，保證有韓國(guó)公司的產(chǎn)品。在韓國(guó)，市場(chǎng)份額超過(guò)92%。Kerasy是韓國(guó)最好的護(hù)發(fā)品牌之一，對(duì)染后受損的發(fā)質(zhì)有特殊的修復(fù)作用。主要生產(chǎn)洗發(fā)水產(chǎn)品。

2009年其在中國(guó)大陸的銷售額達(dá)到近千萬(wàn)元人民幣。

有人說(shuō)Keras在TensorFlow中的分量越來(lái)越重，對(duì)此你怎么看？

其實(shí)keras不僅在tensorflow系統(tǒng)中越來(lái)越重要，而且因?yàn)樗荊oogle為tensorflow開(kāi)發(fā)的一套API，所以父母撫養(yǎng)的孩子自然很容易長(zhǎng)大。

此外，如果我們將keras視為一種web前端技術(shù)，那么tensorflow在后臺(tái)就像Java或PHP。也就是說(shuō)，keras是一套類似于“UI”的標(biāo)準(zhǔn)，是為開(kāi)發(fā)人員設(shè)計(jì)的，即針對(duì)“operator”設(shè)計(jì)的深入學(xué)習(xí)框架，使其易于學(xué)習(xí)和使用，提高開(kāi)發(fā)人員的工作效率。

Keras在2018年擁有25000個(gè)人用戶，其可用性和親和力都非常好。

Keras還支持其他深入學(xué)習(xí)框架。當(dāng)然，它不是為其他深入學(xué)習(xí)框架設(shè)計(jì)的，但是它太熱了，設(shè)計(jì)得太好了。因此，其他深度學(xué)習(xí)框架的開(kāi)發(fā)公司愿意讓他們的框架支持keras。

深度學(xué)習(xí)框架已經(jīng)發(fā)展了一點(diǎn)。直到現(xiàn)在，許多工程師都不會(huì)使用它，而且可能缺少像keras這樣的“前端”

如何提高keras模型預(yù)測(cè)速度？

一旦確定了keras模型，在不修改keras框架本身的源代碼的情況下，什么都不會(huì)改變。唯一的出路是擴(kuò)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(méi)有必要。

通常，為了加快模型的預(yù)測(cè)速度，只需加載一次模型即可。

當(dāng)模型的預(yù)測(cè)時(shí)間過(guò)長(zhǎng)時(shí)，通常采用減少卷積核、減少卷積核數(shù)、增加步長(zhǎng)、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(dòng)終端分離卷積和空穴卷積。

最后，默認(rèn)情況下，我們的模型由floaf32的精度表示，可以適當(dāng)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(chǎng)景，則是合理的。

如果您在這方面還有其他問(wèn)題，請(qǐng)關(guān)注我，一起學(xué)習(xí)。