1、简介
2、与其他框架的对比
1 ) TensorFlow：深度学习最流行的库之一，是谷歌在深刻总结了其前身 DistBelief 的经验教训上形成的；它不仅便携、高效、可扩展，还能在不同计算机上运行：小到智能手 机，大到计算机集群；它是一款轻量级的软件，可以立刻生成你的训练模型，也能重新实现它； TensorFlow 有强大的社区、企业支持，因此它广泛用于从个人到企业、从初创公司 到大公司等不同群体。
2) Caffe：卷积神经网络框架，专注于卷积神经网络和图像处理，是用 C＋＋语言写成 的，执行速度非常快。
3) Chainer：一个强大、灵活、直观的机器学习 Python 软件库，能够在一台机器上利 用多个GPU，由深度学习创业公司Preferred Networks开发，在Github上有相当数量的项目； Chainer 的设计基于“define by run”原则，也就是说，该网络在运行中动态定义，而不是 在启动时定义，这也是该框架的一大亮点。
4 ) CNTK: CNTK (Computational Network ToolKit ）是微软研究人员开发的用于深度 神经网络和多 GPU 加速技术的完整开源工具包。微软称 CNTK 在语音和图像识别方面，比谷歌的 TensorFlow 等其他深度学习开源工具包更有优势。
5 ) Deeplearning4j ：专注于神经网络的 Java 库，可扩展并集成 Spark、 Hadoop 和其他 基于 Java 的分布式集成软件。
6 ) Nervana Neo ：是一个高效的 Python 机器学习库，它能够在单个机器上使用多个 GPU。
7 ) Theano ：是一个用 Python 编写的极其灵活的 Python 机器学习库，用它定义复杂的 模型相当容易，因此它在研究中极其流行。
8) Torch ：是一个专注于GPU 实现的机器学习库，得到了像 Facebook、 谷歌、 Twitter 这样的大公司的研究团队的支持。
3、特点
1、多环境与集群支持
首先， TensorFlow 支持在 PC 的 CPU 环境、 GPU 环境甚至是安卓环境中运行。 它不仅 可以支持在单个计算单元（一颗 CPU 的多核心或一颗 GPU 的多核心）上进行运算，也支持 一台机器上多个 CPU 或多个 GPU 上并行计算。
2、TensorBoard—-看得见的训练
在 TensorBoard 中你只需要通过非常简单的配置命令：
＃启动 tensorboard --logdir=path/to/logs 就能将它读取的位置指向日志路径，这样就可以读取其中的日志信息并做可视化显示。 默认的 Web 界面位置在 http://localhost:6006。 从界面上可以看到一个训练模型的准确率以 及损失函数的大小变化趋势。
3、Tensor Flow Serving—模板
TensorFlow Serving 系统非常适用于大规模运行能够基于真实情况的数据并会发生动态 改变的多重模型。 它能够实现：
- 模型生命周期管理。
- 使用多重算法进行试验。
- GPU 资源有效使用。
版权声明：
本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如若内容造成侵权、违法违规、事实不符，请将相关资料发送至xkadmin@xkablog.com进行投诉反馈，一经查实，立即处理！
转载请注明出处，原文链接：https://www.xkablog.com/rgzn-tfkj/4922.html