8 raisons pour lesquelles vous devriez passer de TensorFlow à Microsoft Cognitive Toolkit (CNTK)
2 minute. lis
Publié le
Partagez cet article
Améliorer ce guide
Lisez notre page de divulgation pour savoir comment vous pouvez aider MSPoweruser à soutenir l'équipe éditoriale En savoir plus
Microsoft a annoncé aujourd'hui la disponibilité générale de Cognitive Toolkit version 2.0 avec de nouvelles fonctionnalités, notamment la prise en charge de Keras, les liaisons Java et la prise en charge de Spark pour l'évaluation des modèles, et la compression des modèles pour augmenter la vitesse d'évaluation d'un modèle formé sur les processeurs. Microsoft Cognitive Toolkit est le framework d'apprentissage en profondeur le plus rapide du marché et il offre de nombreux avantages par rapport aux autres frameworks pour les développeurs. Mais ce n'est que la troisième boîte à outils d'apprentissage en profondeur la plus populaire en termes d'étoiles GitHub, derrière TensorFlow et Caffe. Microsoft est très confiant quant aux performances et aux capacités de Cognitive Toolkit, maintenant ils veulent étendre sa portée parmi les développeurs et la communauté de recherche.
Ils rencontrent souvent des gens qui leur demandent pourquoi quelqu'un voudrait utiliser CNTK au lieu de TensorFlow. Pour répondre aux questions, ils ont maintenant publié un article indiquant les raisons en faveur de la CNTK. 8 raisons pour lesquelles vous devriez passer de TensorFlow à CNTK :
- Vitesse. CNTK est en général beaucoup plus rapide que TensorFlow, et il peut être 5 à 10 fois plus rapide sur les réseaux récurrents.
- Précision. CNTK peut être utilisé pour former des modèles d'apprentissage en profondeur avec une précision de pointe.
- Conception d'API. CNTK possède une API C++ très puissante, ainsi que des API Python de bas niveau et de haut niveau faciles à utiliser, conçues avec un paradigme de programmation fonctionnelle.
- Évolutivité. CNTK peut être facilement mis à l'échelle sur des milliers de GPU.
- Inférence. CNTK prend en charge l'inférence C#/.NET/Java qui facilite l'intégration de l'évaluation CNTK dans les applications utilisateur.
- Extensibilité. CNTK peut être facilement étendu à partir de Python pour les couches et les apprenants.
- Lecteurs intégrés. CNTK dispose de lecteurs de données intégrés efficaces qui prennent également en charge l'apprentissage distribué.
- Boîte à outils interne et externe identique. Vous ne seriez en aucun cas compromis car la même boîte à outils est utilisée par les groupes de produits internes de Microsoft.
Vous pouvez lire ces 8 raisons en détail ici.
