PyTorch和Gluon有什么區(qū)別？兩者都是深度學(xué)習(xí)平臺，可用于卷積神經(jīng)網(wǎng)絡(luò)、RNN等深度學(xué)習(xí)模型的構(gòu)建、訓(xùn)練和學(xué)習(xí)。首先，不同的公司提供支持。Python來自Facebook，glion來自Ama

PyTorch和Gluon有什么區(qū)別？

兩者都是深度學(xué)習(xí)平臺，可用于卷積神經(jīng)網(wǎng)絡(luò)、RNN等深度學(xué)習(xí)模型的構(gòu)建、訓(xùn)練和學(xué)習(xí)。

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(xì)劃分，Python是一個靈活的后端深度學(xué)習(xí)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?qū)ο蠹闪薽xnet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(jié)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g(shù)lion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。

請問一下，無基礎(chǔ)學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)需要多久？

如果你從理科高等教育畢業(yè)，一個月就足夠開始了，包括概率論、矩陣運算等基礎(chǔ)理論，tensorflow、torch等工具，然后做開源項目，如MNIST圖像分類識別項目，再花一個月的時間學(xué)習(xí)殘差網(wǎng)絡(luò)，Gan等經(jīng)典網(wǎng)絡(luò)結(jié)構(gòu)，做目標(biāo)檢測、目標(biāo)定位、人臉識別、圖像風(fēng)格遷移、圖像識別清晰度提升等項目。通過做項目來提高基礎(chǔ)和工程能力。

軟件開發(fā)有前途嗎？

人才短缺，前景無限。

想自學(xué)人工智能編程,怎么入門？

首先，編程領(lǐng)域比較大。為什么它很大？學(xué)習(xí)軟件開發(fā)，無論是前端還是后端，都是編程，大數(shù)據(jù)也是編程，人工智能也是編程

因此，沒有明確的方向。

在編程世界中，有一種古老的語言叫做C語言，它是C和Java的祖先。所有語言的基礎(chǔ)都來自于它，所以你最好先了解它。

但是現(xiàn)在，由于人工智能的普及，很多人都在學(xué)習(xí)python，很多人說它的語法簡單易學(xué)。這是正確的。也有人說它是初學(xué)者學(xué)習(xí)的最好的語言。事實上，如果沒有嚴(yán)格的語法，它可以說是“為所欲為”。Java寫100行代碼，可能只需要寫20行。

不過，我還是想談?wù)勚鹘?！它是C語言，為什么呢，因為你只學(xué)它，再學(xué)C和Java就容易多了，可以說它很快就會帶領(lǐng)你成為一名程序員。當(dāng)然，不是絕對的。

學(xué)習(xí)python并非不可能，但它與C/C和Java不同。經(jīng)過學(xué)習(xí)，回首C，我覺得它不是一個世界。

現(xiàn)在大學(xué)是基于C語言的，你不妨從它開始。

我希望這個答案能對您有所幫助。

為了寫論文不做深入的研究，代碼水平低選擇tensorflow還是pytorch比較好？

Tensorflow很好，因為您可以直接使用keras

~]。

具體來說，當(dāng)前主流的神經(jīng)網(wǎng)絡(luò)模型使用梯度下降算法進(jìn)行訓(xùn)練，或?qū)W習(xí)參數(shù)。學(xué)習(xí)速率決定權(quán)重在梯度方向上成批移動的距離。理論上，學(xué)習(xí)率越高，神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)速度越快。但是，如果學(xué)習(xí)速率過高，可能會“穿越”損失函數(shù)的最小值，導(dǎo)致收斂失敗。

上圖左邊是高學(xué)習(xí)率，右邊是低學(xué)習(xí)率，來源：mikkel Duif（quora）

那么，如何找到最佳學(xué)習(xí)率？

方法。但是，這種方法的初始學(xué)習(xí)率（上例中為0.1）不應(yīng)該太高。如果初始學(xué)習(xí)率太高，可能會“穿越”最優(yōu)值。

另外，還有另外一種思路，就是逆向操作，從學(xué)習(xí)率很低開始，每批之后再提高學(xué)習(xí)率。例如，從0.00001到0.0001，再到0.001，再到0.01，再到0.1。這個想法背后的直覺是，如果我們總是以很低的學(xué)習(xí)率學(xué)習(xí)，我們總是可以學(xué)習(xí)到最好的權(quán)重（除非整個網(wǎng)絡(luò)架構(gòu)有問題），但它將非常緩慢。因此，從一個很低的學(xué)習(xí)率開始，我們可以肯定地觀察到損失函數(shù)的下降。然后逐漸加大學(xué)習(xí)率，直到學(xué)習(xí)率過高，導(dǎo)致發(fā)散。該方法還避免了上述方法初始學(xué)習(xí)率過高，一次“穿越”最優(yōu)值的隱患。這是Leslie n.Smith在2015年的論文《訓(xùn)練神經(jīng)網(wǎng)絡(luò)的循環(huán)學(xué)習(xí)率》中提出的方法。