TensorFlow'dan Microsoft Cognitive Toolkit'e (CNTK) geçmeniz için 8 neden

Ana Sayfa » Geliştiriciler

Okuma zamanı simgesi 2 dk. okuman

Takvim simgesi Yayınlandı

by Pradeep Viswav'ı 

yayınlandı

Bu makaleyi paylaş

Okuyucular MSpoweruser'ı desteklemeye yardımcı olur. Bağlantılarımız aracılığıyla satın alırsanız komisyon alabiliriz. Araç İpucu Simgesi

MSPoweruser'ın editör ekibini ayakta tutmasına nasıl yardımcı olabileceğinizi öğrenmek için açıklama sayfamızı okuyun. Daha fazla

Microsoft bugün, Keras desteği, Java bağlamaları ve model değerlendirmesi için Spark desteği ve CPU'larda eğitilmiş bir modeli değerlendirme hızını artırmak için model sıkıştırma gibi bazı yeni özelliklerle birlikte Cognitive Toolkit sürüm 2.0'ın genel kullanıma sunulduğunu duyurdu. Microsoft Cognitive Toolkit, piyasadaki en hızlı derin öğrenme çerçevesidir ve geliştiriciler için diğer çerçevelere göre birçok avantaj sunar. Ancak GitHub yıldızları açısından TensorFlow ve Caffe'nin arkasından yalnızca üçüncü en popüler derin öğrenme araç takımıdır. Microsoft, Cognitive Toolkit'in performansı ve yetenekleri konusunda kendine çok güveniyor, şimdi de geliştiriciler ve araştırma topluluğu arasındaki erişimini genişletmek istiyorlar.

Sık sık, neden TensorFlow yerine CNTK kullanmak istesin diye soran insanlarla karşılaşırlar. Soruları cevaplamak için şimdi CNTK lehine nedenleri gösteren bir makale yayınladılar. TensorFlow'dan CNTK'ye geçmeniz için 8 neden şunlardır:

  • hız. CNTK genel olarak TensorFlow'dan çok daha hızlıdır ve tekrarlayan ağlarda 5-10 kat daha hızlı olabilir.
  • doğruluk. CNTK, derin öğrenme modellerini son teknoloji doğrulukla eğitmek için kullanılabilir.
  • API tasarımı. CNTK çok güçlü bir C++ API'sine sahiptir ve ayrıca işlevsel bir programlama paradigması ile tasarlanmış hem düşük seviyeli hem de kullanımı kolay yüksek seviyeli Python API'lerine sahiptir.
  • ölçeklenebilirlik. CNTK, binlerce GPU üzerinden kolayca ölçeklenebilir.
  • sonuç. CNTK, CNTK değerlendirmesini kullanıcı uygulamalarına entegre etmeyi kolaylaştıran C#/.NET/Java çıkarım desteğine sahiptir.
  • uzayabilirlik. CNTK, katmanlar ve öğrenenler için Python'dan kolayca genişletilebilir.
  • Yerleşik okuyucular. CNTK, dağıtılmış öğrenmeyi de destekleyen verimli yerleşik veri okuyucularına sahiptir.
  • Aynı dahili ve harici araç takımı. Aynı araç seti Microsoft'taki dahili ürün grupları tarafından kullanıldığı için hiçbir şekilde tehlikeye atılmazsınız.

Bu 8 nedeni detaylı olarak okuyabilirsiniz okuyun.

Konular hakkında daha fazla bilgi: CNTK, geliştiriciler, microsoft, Microsoft Bilişsel Araç Seti, Microsoft Bilişsel Araç Seti 2.0, TensorFlow

Pradeep Viswav'ı

Pradeep Viswav'ı Kalkan

Yazılım ve Hizmet Uzmanı

Pradeep Bilgisayar Bilimi ve Mühendisliği mezunudur. Aynı zamanda Microsoft Öğrenci Ortağıydı. Şu anda önde gelen bir bilişim şirketinde çalışmaktadır.