8 razones por las que debería cambiar de TensorFlow a Microsoft Cognitive Toolkit (CNTK)
2 minuto. leer
Publicado el
Lea nuestra página de divulgación para descubrir cómo puede ayudar a MSPoweruser a sostener el equipo editorial. Leer más
Microsoft anunció hoy la disponibilidad general de Cognitive Toolkit versión 2.0 con algunas características nuevas que incluyen compatibilidad con Keras, enlaces de Java y compatibilidad con Spark para evaluación de modelos, y compresión de modelos para aumentar la velocidad de evaluación de un modelo entrenado en CPU. Microsoft Cognitive Toolkit es el marco de aprendizaje profundo más rápido del mercado y ofrece muchas ventajas sobre otros marcos para desarrolladores. Pero es solo el tercer conjunto de herramientas de aprendizaje profundo más popular en términos de estrellas de GitHub, detrás de TensorFlow y Caffe. Microsoft confía mucho en el rendimiento y las capacidades de Cognitive Toolkit, ahora quiere expandir su alcance entre los desarrolladores y la comunidad de investigación.
A menudo se encuentran con personas que les preguntan por qué alguien querría usar CNTK en lugar de TensorFlow. Para responder a las preguntas, ahora han publicado un artículo que señala las razones a favor de CNTK. 8 razones por las que debería cambiar de TensorFlow a CNTK incluyen:
- Velocidad. CNTK es, en general, mucho más rápido que TensorFlow y puede ser de 5 a 10 veces más rápido en redes recurrentes.
- Exactitud. CNTK se puede utilizar para entrenar modelos de aprendizaje profundo con precisión de última generación.
- Diseño de API. CNTK tiene una API de C++ muy poderosa, y también tiene API de Python de bajo nivel y de alto nivel fáciles de usar que están diseñadas con un paradigma de programación funcional.
- Escalabilidad. CNTK se puede escalar fácilmente a miles de GPU.
- Inferencia. CNTK tiene compatibilidad con la inferencia de C#/.NET/Java que facilita la integración de la evaluación de CNTK en las aplicaciones de los usuarios.
- Checkout Extensibility. CNTK se puede extender fácilmente desde Python para capas y estudiantes.
- Lectores incorporados. CNTK tiene lectores de datos incorporados eficientes que también admiten el aprendizaje distribuido.
- Juego de herramientas interno y externo idéntico. No se verá comprometido de ninguna manera porque los grupos de productos internos de Microsoft utilizan el mismo conjunto de herramientas.
Puedes leer sobre estas 8 razones en detalle esta página.