8 دلیل برای تغییر از TensorFlow به Microsoft Cognitive Toolkit (CNTK)

مایکروسافت امروز عرضه عمومی Cognitive Toolkit نسخه 2.0 را با برخی ویژگی‌های جدید از جمله پشتیبانی Keras، اتصالات جاوا و پشتیبانی Spark برای ارزیابی مدل، و فشرده‌سازی مدل برای افزایش سرعت ارزیابی یک مدل آموزش‌دیده در CPU اعلام کرد. Microsoft Cognitive Toolkit سریعترین چارچوب یادگیری عمیق در بازار است و مزایای زیادی را نسبت به سایر چارچوب ها برای توسعه دهندگان ارائه می دهد. اما این تنها سومین ابزار محبوب ترین ابزار یادگیری عمیق از نظر ستاره های GitHub است، پس از TensorFlow و Caffe. مایکروسافت در مورد عملکرد و قابلیت های Cognitive Toolkit بسیار مطمئن است، اکنون آنها می خواهند دامنه آن را در بین توسعه دهندگان و جامعه تحقیقاتی گسترش دهند.

آنها اغلب با افرادی روبرو می شوند که از آنها می پرسند چرا کسی می خواهد از CNTK به جای TensorFlow استفاده کند. برای پاسخ به سوالات، آنها اکنون مقاله ای را ارسال کرده اند که در آن دلایل به نفع CNTK ذکر شده است. 8 دلیل برای تغییر از TensorFlow به CNTK عبارتند از:

• سرعت. CNTK به طور کلی بسیار سریعتر از TensorFlow است و در شبکه های تکراری می تواند 5-10 برابر سریعتر باشد.
• دقت. از CNTK می توان برای آموزش مدل های یادگیری عمیق با دقت پیشرفته استفاده کرد.
• طراحی API. CNTK دارای یک API C++ بسیار قدرتمند است و همچنین دارای APIهای سطح پایین پایتون سطح پایین و آسان برای استفاده است که با یک الگوی برنامه نویسی کاربردی طراحی شده اند.
• مقیاس پذیری. CNTK را می توان به راحتی در هزاران پردازنده گرافیکی مقیاس کرد.
• استنباط. CNTK دارای پشتیبانی استنتاج C#/.NET/Java است که ادغام ارزیابی CNTK را در برنامه های کاربر آسان می کند.
• توسعه پذیری. CNTK را می توان به راحتی از پایتون برای لایه ها و زبان آموزان گسترش داد.
• خواننده های داخلی. CNTK دارای داده‌خوان‌های کارآمدی است که از یادگیری توزیع‌شده نیز پشتیبانی می‌کنند.
• جعبه ابزار داخلی و خارجی یکسان. شما به هیچ وجه در معرض خطر قرار نخواهید گرفت زیرا همان جعبه ابزار توسط گروه های محصول داخلی مایکروسافت استفاده می شود.

می توانید این 8 دلیل را به تفصیل بخوانید اینجا کلیک نمایید.