如何理解tensorflow中的多線程？深度學習的模型訓練是基于批量學習的。因此，每次執(zhí)行梯度更新時，不需要完整的數(shù)據(jù)集，只需要一批數(shù)據(jù)。如果使用TF記錄，tensorflow不會將100000個圖像

如何理解tensorflow中的多線程？

深度學習的模型訓練是基于批量學習的。因此，每次執(zhí)行梯度更新時，不需要完整的數(shù)據(jù)集，只需要一批數(shù)據(jù)。如果使用TF記錄，tensorflow不會將100000個圖像完全讀取到內(nèi)存中，而是會自動優(yōu)化每個批提取，并且只從TF記錄中讀取相應的批。因此，強烈建議使用TF-record，它可以大大提高內(nèi)存使用和數(shù)據(jù)提取的效率，以及模型的整體訓練效率

如果你想用少量的代碼盡快建立和測試神經(jīng)網(wǎng)絡，keras是最快的，而且序列API和模型的功能非常強大。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(gòu)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(diào)試器功能，有助于推斷錯誤和加快操作速度。

Keras還是TensorFlow，程序員該如何選擇深度學習框架？

模型本身只是一組參數(shù)和框架。使用多個線程運行取決于應用程序方法，與訓練無關。如果能夠部署分布式計算，就可以實現(xiàn)多線程、多服務器的分布式計算。如果我們不能部署它，那就沒辦法了。