Keras還是TensorFlow，程序員該如何選擇深度學習框架？如果您想用少量的代碼盡快地構建和測試神經(jīng)網(wǎng)絡，keras是最快的，而且sequential API和model非常強大。而且keras

Keras還是TensorFlow，程序員該如何選擇深度學習框架？

如果您想用少量的代碼盡快地構建和測試神經(jīng)網(wǎng)絡，keras是最快的，而且sequential API和model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。

機器學習和計算機視覺方向的CS碩士研究生，應該往python還是MATLAB發(fā)展？

機器學習和計算機視覺作為人工智能的重要組成部分，是近年來研究生們研究的熱點。機器學習和計算機視覺需要處理各種算法，所以我們經(jīng)常需要使用一些方便的工具來輔助研究，比如MATLAB就是一個常用的工具。

與Python相比，Matlab更像一個工具。雖然我經(jīng)常說編程語言是一種工具，但python可以做除科學計算之外的其他事情，比如web開發(fā)。因此，Python是一種編程語言，而MATLAB更接近于一種工具。目前，matlab還支持語言輸出。

因為我是作為一個程序員出生的，所以在早期我并不費心使用MATLAB。直到我們的一位同事在我面前展示了MATLAB的強大功能，我才對MATLAB更感興趣，并用了一段時間。使用MATLAB有很強的方便性。以前需要很多代碼的地方，只需要簡單的配置，這樣matlab就可以節(jié)省很多時間。如果你在做研究，你不需要實現(xiàn)這個項目，所以使用MATLAB絕對是一個不錯的選擇，你不必在編碼上投入太多精力。

后來，我開始做機器學習，因為我的很多研究內(nèi)容是要實現(xiàn)的（基于實際應用），所以我直接用python。在使用python之前，我使用了java（其中有更多的故事）。如果您需要在實踐中使用該算法，那么必須正確地使用python。MATLAB擅長分析和建模。

Python機器學習需要使用numpy、Matplotlib和SciPy，使用起來并不復雜。學習Python也相對簡單易用。

建議在研究生階段學習Python，但這取決于導師的具體安排和指導。雖然他們都做機器學習，但我的研究更傾向于機器學習應用，所以我推薦python。