8 Gründe, warum Sie von TensorFlow zu Microsoft Cognitive Toolkit (CNTK) wechseln sollten
2 Minute. lesen
Veröffentlicht am
Teile diesen Artikel
Verbessern Sie diesen Leitfaden
Lesen Sie unsere Offenlegungsseite, um herauszufinden, wie Sie MSPoweruser dabei helfen können, das Redaktionsteam zu unterstützen Lesen Sie weiter
Microsoft kündigte heute die allgemeine Verfügbarkeit von Cognitive Toolkit Version 2.0 mit einigen neuen Funktionen an, darunter Keras-Unterstützung, Java-Bindungen und Spark-Unterstützung für die Modellbewertung sowie die Modellkomprimierung zur Beschleunigung der Bewertung eines trainierten Modells auf CPUs. Microsoft Cognitive Toolkit ist das schnellste Deep-Learning-Framework auf dem Markt und bietet viele Vorteile gegenüber anderen Frameworks für Entwickler. Aber es ist nur das drittbeliebteste Deep-Learning-Toolkit in Bezug auf GitHub-Stars, hinter TensorFlow und Caffe. Microsoft ist sehr zuversichtlich in Bezug auf die Leistung und Fähigkeiten von Cognitive Toolkit, jetzt wollen sie seine Reichweite unter Entwicklern und der Forschungsgemeinschaft erweitern.
Sie treffen oft auf Leute, die sie fragen, warum jemand CNTK anstelle von TensorFlow verwenden möchte. Um die Fragen zu beantworten, haben sie jetzt einen Artikel veröffentlicht, in dem sie Gründe für CNTK aufzeigen. 8 Gründe, warum Sie von TensorFlow zu CNTK wechseln sollten:
- Schnelligkeit. CNTK ist im Allgemeinen viel schneller als TensorFlow und kann in wiederkehrenden Netzwerken 5-10x schneller sein.
- Genauigkeit. CNTK kann verwendet werden, um Deep-Learning-Modelle mit modernster Genauigkeit zu trainieren.
- API-Design. CNTK verfügt über eine sehr leistungsstarke C++-API und sowohl Low-Level- als auch einfach zu verwendende High-Level-Python-APIs, die mit einem funktionalen Programmierparadigma entwickelt wurden.
- Skalierbarkeit. CNTK kann einfach über Tausende von GPUs skaliert werden.
- Inferenz. CNTK verfügt über C#/.NET/Java-Inferenzunterstützung, die es einfach macht, die CNTK-Evaluierung in Benutzeranwendungen zu integrieren.
- Erweiterbarkeit. CNTK kann einfach von Python für Schichten und Lernende erweitert werden.
- Eingebaute Lesegeräte. CNTK verfügt über effiziente integrierte Datenlesegeräte, die auch verteiltes Lernen unterstützen.
- Identisches internes und externes Toolkit. Sie würden in keiner Weise kompromittiert, da das gleiche Toolkit von internen Produktgruppen bei Microsoft verwendet wird.
Diese 8 Gründe können Sie im Detail nachlesen hier.
