8 λόγοι για τους οποίους πρέπει να μεταβείτε από το TensorFlow στο Microsoft Cognitive Toolkit (CNTK)
2 λεπτό. ανάγνωση
Δημοσιεύθηκε στις
Μοιραστείτε αυτό το άρθρο
Βελτιώστε αυτόν τον οδηγό
Διαβάστε τη σελίδα αποκάλυψης για να μάθετε πώς μπορείτε να βοηθήσετε το MSPoweruser να διατηρήσει τη συντακτική ομάδα Διάβασε περισσότερα
Η Microsoft ανακοίνωσε σήμερα τη γενική διαθεσιμότητα της έκδοσης 2.0 του Cognitive Toolkit με ορισμένες νέες δυνατότητες, όπως υποστήριξη Keras, Java bindings και υποστήριξη Spark για αξιολόγηση μοντέλων και συμπίεση μοντέλου για αύξηση της ταχύτητας στην αξιολόγηση ενός εκπαιδευμένου μοντέλου σε CPU. Το Microsoft Cognitive Toolkit είναι το ταχύτερο πλαίσιο βαθιάς εκμάθησης στην αγορά και προσφέρει πολλά πλεονεκτήματα σε σχέση με άλλα πλαίσια για προγραμματιστές. Αλλά είναι μόνο η τρίτη πιο δημοφιλής εργαλειοθήκη βαθιάς μάθησης όσον αφορά τα αστέρια του GitHub, πίσω από το TensorFlow και το Caffe. Η Microsoft είναι πολύ σίγουρη για την απόδοση και τις δυνατότητες του Cognitive Toolkit, τώρα θέλει να επεκτείνει την εμβέλειά του μεταξύ των προγραμματιστών και της ερευνητικής κοινότητας.
Συχνά συναντούν ανθρώπους που τους ρωτούν γιατί κάποιος θα ήθελε να χρησιμοποιήσει το CNTK αντί για το TensorFlow. Για να απαντήσουν στις ερωτήσεις, έχουν πλέον αναρτήσει ένα άρθρο στο οποίο επισημαίνουν λόγους υπέρ της CNTK. 8 λόγοι για τους οποίους πρέπει να μεταβείτε από το TensorFlow σε CNTK περιλαμβάνουν:
- Ταχύτητα. Το CNTK είναι γενικά πολύ πιο γρήγορο από το TensorFlow και μπορεί να είναι 5-10 φορές ταχύτερο σε επαναλαμβανόμενα δίκτυα.
- Ακρίβεια. Το CNTK μπορεί να χρησιμοποιηθεί για την εκπαίδευση μοντέλων βαθιάς μάθησης με ακρίβεια αιχμής.
- Σχεδιασμός API. Το CNTK διαθέτει ένα πολύ ισχυρό API C++ και διαθέτει επίσης χαμηλού και εύχρηστα API υψηλού επιπέδου Python που έχουν σχεδιαστεί με ένα πρότυπο λειτουργικού προγραμματισμού.
- Απεριόριστες δυνατότητες. Το CNTK μπορεί εύκολα να κλιμακωθεί σε χιλιάδες GPU.
- Συμπέρασμα. Το CNTK διαθέτει υποστήριξη συμπερασμάτων C#/.NET/Java που διευκολύνει την ενσωμάτωση της αξιολόγησης CNTK σε εφαρμογές χρηστών.
- Εκτατο. Το CNTK μπορεί εύκολα να επεκταθεί από την Python για επίπεδα και μαθητές.
- Ενσωματωμένοι αναγνώστες. Το CNTK διαθέτει αποτελεσματικά ενσωματωμένα προγράμματα ανάγνωσης δεδομένων που υποστηρίζουν επίσης την κατανεμημένη μάθηση.
- Πανομοιότυπη εσωτερική και εξωτερική εργαλειοθήκη. Δεν θα διακινδυνεύεστε με κανέναν τρόπο επειδή η ίδια εργαλειοθήκη χρησιμοποιείται από εσωτερικές ομάδες προϊόντων στη Microsoft.
Μπορείτε να διαβάσετε για αυτούς τους 8 λόγους αναλυτικά εδώ.
