8 причин, чому вам слід перейти з TensorFlow на Microsoft Cognitive Toolkit (CNTK)

Значок часу читання 2 хв. читати


Читачі допомагають підтримувати MSpoweruser. Ми можемо отримати комісію, якщо ви купуєте через наші посилання. Значок підказки

Прочитайте нашу сторінку розкриття інформації, щоб дізнатися, як ви можете допомогти MSPoweruser підтримувати редакційну команду Читати далі

Microsoft Azure AI

Сьогодні Microsoft оголосила про загальну доступність Cognitive Toolkit версії 2.0 з деякими новими функціями, включаючи підтримку Keras, прив’язки Java і підтримку Spark для оцінки моделі, а також стиснення моделі для збільшення швидкості оцінки навченої моделі на ЦП. Microsoft Cognitive Toolkit — це найшвидший фреймворк глибокого навчання на ринку і пропонує багато переваг перед іншими фреймворками для розробників. Але це лише третій за популярністю набір інструментів глибокого навчання з точки зору зірок GitHub, після TensorFlow і Caffe. Microsoft дуже впевнена в продуктивності та можливостях Cognitive Toolkit, тепер вони хочуть розширити його охоплення серед розробників та дослідницької спільноти.

Вони часто стикаються з людьми, які запитують їх, чому хтось хоче використовувати CNTK замість TensorFlow. Щоб відповісти на запитання, вони опублікували статтю, в якій вказали причини на користь CNTK. 8 причин, чому вам слід перейти з TensorFlow на CNTK, включають:

  • швидкість. Загалом CNTK набагато швидший, ніж TensorFlow, і він може бути в 5-10 разів швидше в рекурентних мережах.
  • Точність. CNTK можна використовувати для навчання моделей глибокого навчання з найсучаснішою точністю.
  • Дизайн API. CNTK має дуже потужний C++ API, а також має як низькорівневі, так і прості у використанні високорівневі API Python, розроблені з використанням парадигми функціонального програмування.
  • масштабованість. CNTK можна легко масштабувати на тисячах графічних процесорів.
  • Висновок. CNTK має підтримку висновку C#/.NET/Java, що дозволяє легко інтегрувати оцінку CNTK у користувацькі програми.
  • Розширюваність. CNTK можна легко розширити з Python для шарів і учнів.
  • Вбудовані зчитувачі. CNTK має ефективні вбудовані зчитувачі даних, які також підтримують розподілене навчання.
  • Ідентичний внутрішній і зовнішній інструментарій. Ви жодним чином не потрапите під загрозу, оскільки той самий набір інструментів використовується внутрішніми групами продуктів Microsoft.

Про ці 8 причин ви можете прочитати докладно тут.

Детальніше про теми: CNTK, розробників, Microsoft, Когнітивний інструментарій Microsoft, Microsoft Cognitive Toolkit 2.0, TensorFlow