8 redenen waarom je zou moeten overstappen van TensorFlow naar Microsoft Cognitive Toolkit (CNTK)
2 minuut. lezen
Uitgegeven op
deel dit artikel
Verbeter deze handleiding
Lees onze openbaarmakingspagina om erachter te komen hoe u MSPoweruser kunt helpen het redactieteam te ondersteunen Lees meer
Microsoft heeft vandaag de algemene beschikbaarheid aangekondigd van Cognitive Toolkit versie 2.0 met enkele nieuwe functies, waaronder Keras-ondersteuning, Java-bindingen en Spark-ondersteuning voor modelevaluatie, en modelcompressie om de evaluatie van een getraind model op CPU's sneller te maken. Microsoft Cognitive Toolkit is het snelste deep learning-framework op de markt en biedt veel voordelen ten opzichte van andere frameworks voor ontwikkelaars. Maar het is pas de op twee na populairste deep learning-toolkit in termen van GitHub-sterren, achter TensorFlow en Caffe. Microsoft heeft veel vertrouwen in de prestaties en mogelijkheden van Cognitive Toolkit, nu willen ze het bereik onder ontwikkelaars en de onderzoeksgemeenschap vergroten.
Ze komen vaak mensen tegen die hen vragen waarom iemand CNTK zou willen gebruiken in plaats van TensorFlow. Om de vragen te beantwoorden, hebben ze nu een artikel geplaatst waarin ze wijzen op redenen in het voordeel van CNTK. 8 redenen waarom u zou moeten overstappen van TensorFlow naar CNTK zijn:
- Speed. CNTK is over het algemeen veel sneller dan TensorFlow en kan 5-10x sneller zijn op terugkerende netwerken.
- Nauwkeurigheid. CNTK kan worden gebruikt om deep learning-modellen met ultramoderne nauwkeurigheid te trainen.
- API-ontwerp. CNTK heeft een zeer krachtige C++ API, en het heeft ook zowel low-level als gebruiksvriendelijke Python-API's op hoog niveau die zijn ontworpen met een functioneel programmeerparadigma.
- Schaalbaarheid. CNTK kan eenvoudig worden geschaald over duizenden GPU's.
- Gevolgtrekking. CNTK heeft ondersteuning voor C#/.NET/Java-inferentie, waardoor het eenvoudig is om CNTK-evaluatie in gebruikerstoepassingen te integreren.
- rekbaarheid. CNTK kan eenvoudig worden uitgebreid vanuit Python voor lagen en leerlingen.
- Ingebouwde lezers. CNTK heeft efficiënte ingebouwde gegevenslezers die ook gedistribueerd leren ondersteunen.
- Identieke interne en externe toolkit. U zou op geen enkele manier worden gecompromitteerd omdat dezelfde toolkit wordt gebruikt door interne productgroepen bij Microsoft.
U kunt deze 8 redenen in detail lezen hier.
