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。

雖然二階車型功能性更強(qiáng)，但用戶需要選擇更多功能性車型。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。

為什么幾乎所有的量化交易都用Python？

因?yàn)槭褂肞ython有強(qiáng)大的優(yōu)勢(shì)。第一，數(shù)據(jù)采集（網(wǎng)絡(luò)爬蟲技術(shù)）。2、 強(qiáng)大的科學(xué)計(jì)算分析庫可以進(jìn)行大規(guī)模的數(shù)據(jù)統(tǒng)計(jì)和處理。3、 完美的AI接口，如tensorflow、Python和sklearn，是定量交易最需要的接口。前者屬于深度學(xué)習(xí)，如LSTM算法體系結(jié)構(gòu)，是最有效的股市預(yù)測(cè)算法之一。后者屬于數(shù)據(jù)挖掘，基于統(tǒng)計(jì)概率分布，實(shí)現(xiàn)了回歸和分類的數(shù)學(xué)建模?？傊?，很方便。在項(xiàng)目實(shí)現(xiàn)方面，python屬于glue語言，計(jì)算出的數(shù)據(jù)模型大多是以JSON的形式進(jìn)行粘合的。前端非常友好。簡(jiǎn)而言之，它既快捷又方便。

怎樣入門TensorFlow？

使用tensorflow識(shí)別需要大量的學(xué)習(xí)，需要準(zhǔn)備大量的學(xué)習(xí)資源。對(duì)于漢字的識(shí)別，可以直接調(diào)用第三方接口，方便多了。如果你只是想學(xué)習(xí)tensorflow，你可以去GitHub找到相關(guān)的資料。有許多開源學(xué)習(xí)材料供您選擇。

此外，吳恩達(dá)的課程也在他的官方網(wǎng)站上開放，可以直接學(xué)習(xí)。你也可以記下他的官方賬號(hào)，每周更新相關(guān)課程。