爲什麼使用TensorFlow進行卷積神經網絡

我最近在Coursera上採用了Andrew Ng的方法。之後，我轉向Python並使用Pandas，Numpy，Sklearn來實現ML算法。現在在衝浪的時候，我碰到了tensorFLow，發現它非常驚人，並且實現了這個以MNIST數據爲輸入的example。但我不確定爲什麼使用如庫（TensorFlow）？我們不做任何並行計算，因爲在前一個時代更新的權重用於下一個時期？我發現很難找到使用這種庫的理由嗎？爲什麼使用TensorFlow進行卷積神經網絡

來源

2017-01-05 Ayes

像Tensorflow和Theano這樣的庫不是爲了平行化。其中一個主要優點是它們編譯函數以快速生成C代碼，並且它們提供了區分這些代碼的快速方法。 –

有幾種形式並行訓練卷積神經網絡（和許多其他機器學習模型）時TensorFlow提供的，其中包括：個人業務中

並行（如tf.nn.conv2d()和tf.matmul()）。這些操作對於多核CPU和GPU具有高效的並行實現，TensorFlow在任何可用的地方都使用這些實現。
操作之間的並行性。 TensorFlow爲您的模型使用數據流圖表示法，並且在數據流圖中存在兩個未通過有向路徑連接的節點，這些節點可以並行執行。例如，Inception圖像識別模型在其數據流圖中有許多並行分支（請參見this paper中的圖3），TensorFlow可以利用此模式同時運行多個操作。 AlexNet paper還介紹瞭如何使用「模型並行」在模型的不同部分並行運行操作，並且TensorFlow支持使用相同的機制。模型之間
並行複製品。 TensorFlow也被設計爲distributed execution。一種常見的並行訓練方案（「數據平行性」）涉及將數據集分成一組相同的工作人員，對每個工作人員針對不同數據執行相同的訓練計算，並在工作人員之間共享模型參數。

此外，像TensorFlow和Theano庫可以進行各種優化時，他們可以與模型的整個數據流圖工作。例如，它們可以消除常見的子表達式，避免重新計算常量值，並生成更高效的融合代碼。

來源

2017-01-05 18:10:05 mrry

您可以在sklearn或其他庫中找到預先烘焙的模型，但TensorFlow允許真正快速迭代定製機器學習模型。它還帶有a ton of useful functions，你必須（也可能不應該）自己寫。

對我來說，性能（儘管他們肯定關心性能）還不夠，而且更多的是關於如何快速剔除神經網絡。

來源

2017-01-05 19:33:13

爲什麼使用TensorFlow進行卷積神經網絡

回答

相關問題