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model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model非常強(qiáng)大。而且keras的設(shè)計(jì)非常人性化。以數(shù)據(jù)輸入和輸出為例，與keras的簡(jiǎn)單操作相比，tensorflow編譯碼的構(gòu)造過程非常復(fù)雜（尤其對(duì)于初學(xué)者來說，大量的記憶過程非常痛苦）。此外，keras將模塊化作為設(shè)計(jì)原則之一，用戶可以根據(jù)自己的需求進(jìn)行組合。如果你只是想快速建立通用模型來實(shí)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(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，由于tensorflow的速度較高，因此會(huì)選擇tensorflow

如果您在驗(yàn)證您的想法時(shí)，想定義損失函數(shù)而不是使用現(xiàn)有的設(shè)置，與keras相比，tensorflow提供了更大的個(gè)性空間。此外，對(duì)神經(jīng)網(wǎng)絡(luò)的控制程度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)限很少。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)練進(jìn)度）等等。

盡管它們都提供了深度學(xué)習(xí)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(jì)算速度，可以使用tensorflow的thread函數(shù)來實(shí)現(xiàn)與多個(gè)線程的相同會(huì)話。此外，它還提供了調(diào)試器功能，有助于推斷錯(cuò)誤和加快操作速度。

剛上大一，報(bào)的計(jì)科，學(xué)了一年的c和JAVA，都說計(jì)算機(jī)和數(shù)學(xué)關(guān)系緊密，可為啥沒有感覺到？感到迷茫？

呵呵，你才剛一年級(jí)，剛剛學(xué)了一點(diǎn)語言。甚至不是初學(xué)者。毫不夸張地說，學(xué)習(xí)電腦就是拼數(shù)學(xué)。光靠學(xué)幾門語言你什么都做不了。特別是在編程實(shí)現(xiàn)某些函數(shù)時(shí)，如果數(shù)學(xué)學(xué)得不好，就不能設(shè)計(jì)出合適的算法。數(shù)學(xué)建模非常重要。我勸你不要想當(dāng)然。讓我們來看看傅立葉變換，這是最常見的一個(gè)高數(shù)字。利用傅立葉變換設(shè)計(jì)低通濾波器是圖像處理中最常用的基本功能之一。

同樣，機(jī)器語言本身是一個(gè)二進(jìn)制矩陣。圖像的本質(zhì)也是由像素組成的矩陣。然后你就會(huì)知道線性代數(shù)的重要性。然后對(duì)各種圖像、信號(hào)進(jìn)行放大和縮小，需要用到各種插值，那么你會(huì)后悔離散數(shù)學(xué)沒學(xué)過。當(dāng)你學(xué)習(xí)信息論和通信原理時(shí)，你會(huì)后悔沒有理解復(fù)變函數(shù)和概率。。。。。

即使是大二專業(yè)基礎(chǔ)課使用的數(shù)據(jù)結(jié)構(gòu)，堆棧、列、排序、二叉樹、哈希圖、遞歸等。。。。都是數(shù)學(xué)模型。。。

如果你真的想學(xué)好編程，你必須徹底地學(xué)習(xí)數(shù)學(xué)。至于編程語言，這完全是語法結(jié)構(gòu)的問題。是一樣的。編程側(cè)重于算法。至于用什么語言，是膚淺和膚淺的。就像寫一本書，一部經(jīng)典，把它翻譯成任何語言。如廁讀物，如果你用八種語言寫的話，也是如廁讀物。