TensorFlow vs. Theano vs. Torch vs Keras: Syväoppimisen kirjasto

Tekoälyn suosio on kasvanut vuodesta 2016 lähtien, ja 20 prosenttia suurista yrityksistä käyttää tekoälyä liiketoiminnassaan (McKinsey raportti, 2018). Saman raportin mukaan tekoäly voi luoda merkittävää arvoa eri toimialoilla. Esimerkiksi pankkitoiminnassa tekoälyn potentiaalia arvioidaan olevan $300 miljardia, vähittäiskaupassa määrä nousi pilviin $600 miljardia.

Tekoälyn potentiaalisen arvon vapauttamiseksi yritysten on valittava oikea syväoppimiskehys. Tässä opetusohjelmassa opit erilaisista kirjastoista, jotka ovat käytettävissä syvän oppimisen tehtävien suorittamiseen. Jotkut kirjastot ovat olleet olemassa jo vuosia, kun taas uusi kirjasto, kuten TensorFlow, on ilmestynyt viime vuosina.

8 parasta syväoppimiskirjastoa / -kehys

Tässä luettelossa vertaamme parhaita syväoppimiskehyksiä. Kaikki ne ovat avoimen lähdekoodin ja suosittuja tietotutkijayhteisössä. Vertailemme myös suosittua ML:ää palveluntarjoajana

Torch

Torch on vanha avoimen lähdekoodin koneoppimiskirjasto. Se julkaistiin ensimmäisen kerran 15 vuotta sitten. Sen ensisijainen ohjelmointikieli on LUA, mutta sillä on toteutus C:llä. Py:n vertailuTorch vs. TensorFlow, se tukee laajaa koneoppimisalgoritmien kirjastoa, mukaan lukien syväoppiminen. Se tukee CUDA-toteutusta rinnakkaislaskentaa varten.

Torch-syväoppimistyökalua käyttävät useimmat johtavat laboratoriot, kuten Facebook, Google, Twitter, Nvidia ja niin edelleen. Torch:lla on kirjasto Python nimet Pytorch.

Infer.net

Infer.net on kehittänyt ja ylläpitänyt Microsoft. Infer.net on kirjasto, joka keskittyy ensisijaisesti Bayesin tilastoihin. Infer.net on Deep Learningin visualisointityökalu, joka on suunniteltu tarjoamaan ammattilaisille huippuluokan algoritmeja todennäköisyyspohjaiseen mallinnukseen. Kirjasto sisältää analyyttiset työkalut kuten Bayesin analyysi, piilotettu Markov-ketju, klusterointi.

Keras

Keras on a Python puitteet syvälle oppimiselle. Se on kätevä kirjasto minkä tahansa syvän oppimisalgoritmin rakentamiseen. Kerasin etuna on, että se käyttää samaa Python koodi suorittimella tai GPU:lla. Lisäksi koodausympäristö on puhdas ja mahdollistaa muun muassa tietokonenäön, tekstintunnistuksen huippuluokan algoritmien koulutuksen.

Kerasin kehitti François Chollet, tutkija GoogleKerasia käytetään merkittävissä organisaatioissa, kuten CERNissä, Yelpissä, Squaressa tai Google, Netflixja Uber.

Theano

Theano on Montréalin yliopiston vuonna 2007 kehittämä syväoppimiskirjasto. Theano vs TensorFlow vertaamalla se tarjoaa nopean laskentatavan ja sitä voidaan käyttää sekä CPU:lla että GPU:lla. Theano on kehitetty kouluttamaan syviä hermoverkkoalgoritmeja.

Microsoft Kognitiivinen työkalupakki (CNTK)

Microsoft työkalupakki, joka tunnettiin aiemmin nimellä CNTK, on ​​syväoppimiskirjasto, jonka on kehittänyt Microsoft. Mukaan Microsoft, kirjasto on markkinoiden nopeimpia. Microsoft toolkit on kuitenkin avoimen lähdekoodin kirjasto Microsoft käyttää sitä laajasti tuotteissaan Skype, Cortana, Bing ja Xbox. Työkalupaketti on saatavilla molemmissa Python ja C++.

MX Net

MXnet on viimeaikainen syväoppimiskirjasto. Se on käytettävissä useilla ohjelmointikielillä, mukaan lukien C++, Julia, Python ja R. MXNet voidaan määrittää toimimaan sekä CPU:ssa että GPU:ssa. MXNet sisältää huippuluokan syväoppimisarkkitehtuurin, kuten Convolutional Neural Network ja Long Short-Term Memory. MXNet on rakennettu toimimaan harmony dynaamisella pilviinfrastruktuurilla. MXNetin pääkäyttäjä on Amazon

Caffe

Caffe on kirjasto, jonka Yangqing Jia rakensi hänen ollessaan tohtoriopiskelija Berkeleyssä. Caffea ja TensorFlow'ta verrattaessa Caffe on kirjoitettu sisään C++ ja voi suorittaa laskennan sekä CPU:lla että GPU:lla. Caffen pääasiallinen käyttötarkoitus on konvoluutiohermoverkko. Vaikka vuonna 2017 Facebook laajensi Caffea syvemmällä oppimisarkkitehtuurilla, mukaan lukien Recurrent Neural Network. Caffea käyttävät tutkijat ja startupit, mutta myös jotkut suuret yritykset, kuten Yahoo!.

TensorFlow

TensorFlow on Google avoimen lähdekoodin projekti. TensorFlow on nykyään tunnetuin syväoppimisen kirjasto. Se julkaistiin yleisölle vuoden 2015 lopulla.

TensorFlow on kehitetty vuonna C++ ja on kätevä Python API kuitenkin C++ Myös API-rajapintoja on saatavilla. Tunnetut yritykset, kuten Airbus, Google, IBM ja niin edelleen käyttävät TensorFlow'ta syväoppimisalgoritmien tuottamiseen.

TensorFlow vs. Theano vs. Torch vs. Keras vs. infer.net vs. CNTK vs. MXNet vs. Caffe: Keskeiset erot

Kirjasto	foorumi	Kirjoitettu sisään	Cuda tuki	Rinnakkainen toteutus	On koulutettuja malleja	RNN	CNN
Torch	Linux, macOS, Windows	lua	Kyllä	Kyllä	Kyllä	Kyllä	Kyllä
Infer.Net	Linux, macOS, Windows	Visual Studio	Ei	Ei	Ei	Ei	Ei
Keras	Linux, macOS, Windows	Python	Kyllä	Kyllä	Kyllä	Kyllä	Kyllä
Theano	Cross-platform	Python	Kyllä	Kyllä	Kyllä	Kyllä	Kyllä
TensorFlow	Linux, macOS, Windows, Android	C++, Python, CUDA	Kyllä	Kyllä	Kyllä	Kyllä	Kyllä
MICROSOFT COGNITIVE TOOLKIT	Linux, Windows, Mac Dockerilla	C++	Kyllä	Kyllä	Kyllä	Kyllä	Kyllä
Caffe	Linux, macOS, Windows	C++	Kyllä	Kyllä	Kyllä	Kyllä	Kyllä
MX Net	Linux, Windows, macOS, Android, IOS, Javascript	C++	Kyllä	Kyllä	Kyllä	Kyllä	Kyllä

Tuomio

TensorFlow on kaikkien paras kirjasto, koska se on suunniteltu kaikkien käytettäväksi. Tensorflow-kirjasto sisältää erilaisia ​​sovellusliittymiä, jotka on rakennettu mittakaavassa syväoppimisarkkitehtuuriin, kuten CNN tai RNN. TensorFlow perustuu graafilaskentaan, jonka avulla kehittäjä voi visualisoida hermoverkon rakentamisen Tensorboad. Tämä työkalu on hyödyllinen ohjelman virheenkorjauksessa. Lopuksi Tensorflow on suunniteltu käytettäväksi mittakaavassa. Se toimii CPU:lla ja GPU:lla.

Tensorflow osoitteessatracon GitHubissa suosituin verrattuna muihin syväoppimisen kirjastoihin.

Koneoppimisen vertailu palveluna

Seuraavassa on 4 suosittua DL:tä palveluntarjoajana

Google Cloud ML

Google tarjoaa kehittäjille valmiiksi koulutetun mallin, joka on saatavilla Cloud AutoML:ssä. Tämä ratkaisu on tarkoitettu kehittäjille, joilla ei ole vahvaa taustaa koneoppiminenKehittäjät voivat käyttää huipputeknologiaa Googlen esikoulutettua mallia heidän datansa pohjalta. Sen avulla kehittäjät voivat kouluttaa ja arvioida mitä tahansa mallia vain muutamassa minuutissa.

Google tarjoaa tällä hetkellä REST-rajapinnan konenäölle, puheentunnistukselle, kääntämiselle ja aidolle kielenkäytölle.

Käyttäminen Google Cloud, voit kouluttaa koneoppimiskehyksen, joka perustuu TensorFlow-, Scikit-learn-, XGBoost- tai Keras-pohjaisiin. Google Cloud koneoppiminen kouluttaa malleja pilvensä yli.

Käytön etu Google Pilvipalveluiden ansiosta koneoppimisen käyttöönotto tuotantoympäristöissä on helppoa. Docker-kontin käyttöönottoa ei tarvita. Lisäksi pilvipalvelu huolehtii infrastruktuurista. Se osaa allokoida resurssit suorittimien, näytönohjainten ja telineprosessorien kesken. Se nopeuttaa koulutusta rinnakkaislaskennan avulla.

AWS SageMaker

Suuri kilpailija Google Cloud is Amazon pilvi, AWS. Amazon on kehittänyt Amazon SageMakerin avulla datatieteilijät ja kehittäjät voivat rakentaa, kouluttaa ja tuoda tuotantoon mitä tahansa koneoppimismalleja.
SageMaker on saatavilla a Jupyter Muistikirja ja sisältää muun muassa eniten käytetyn koneoppimiskirjaston, TensorFlown, MXNetin, Scikit-learnin. SageMakerilla kirjoitetut ohjelmat suoritetaan automaattisesti Docker-säiliöissä. Amazon hoitaa resurssien allokoinnin koulutuksen ja käyttöönoton optimoimiseksi.

Amazon tarjoaa API:n kehittäjille, jotta he voivat lisätä älykkyyttä sovelluksiinsa. Joskus ei tarvitse keksiä pyörää uudelleen rakentamalla tyhjästä uusia malleja, kun taas pilvessä on tehokkaita esikoulutettuja malleja. Amazon tarjoaa API-palveluita tietokonenäköön, keskusteluchatboteihin ja kielipalveluihin:

Kolme tärkeintä saatavilla olevaa sovellusliittymää ovat:

• Amazon Tunnistus: tarjoaa kuvan ja videon tunnistuksen sovellukselle
• Amazon Ymmärtää: Suorita tekstinlouhinta ja hermoston kielen käsittely esimerkiksi talousasiakirjan laillisuuden tarkistusprosessin automatisoimiseksi
• Amazon Lex: Lisää chatbot sovellukseen

Azure Koneoppimisstudio

Todennäköisesti yksi ystävällisimmistä lähestymistavoista koneoppimiseen on Azure Koneoppimisstudio. Tämän ratkaisun merkittävä etu on, että aiempaa ohjelmointiosaamista ei tarvita.

Microsoft Azure Machine Learning Studio on vedä ja pudota -yhteistyötyökalu koneoppimisratkaisujen luomiseen, kouluttamiseen, arvioimiseen ja käyttöönottoon. Malli voidaan ottaa tehokkaasti käyttöön verkkopalveluina ja käyttää useissa sovelluksissa, kuten Excelissä.

Azure Koneoppimiskäyttöliittymä on interaktiivinen, jolloin käyttäjä voi rakentaa mallin vain vetämällä ja pudottamallaping elementtejä nopeasti.

Kun malli on valmis, kehittäjä voi tallentaa sen ja siirtää sen Azure Galleria or Azure Marketplace.

Azure Koneoppiminen voidaan integroida R tai Python heidän mukautetun sisäänrakennetun paketin.

IBM Watson ML

Watson Studio voi yksinkertaistaa dataprojekteja virtaviivaistetulla prosessilla, joka mahdollistaa esim.tracWatson Studio tarjoaa helppokäyttöisen yhteistyöhön perustuvan datatieteen ja koneoppimisen ympäristön mallien rakentamiseen ja kouluttamiseen, datan valmisteluun ja analysointiin sekä oivallusten jakamiseen – kaikki samassa paikassa. Watson Studiota on helppo käyttää vetämällä ja pudottamalla koodia.

Watson studio tukee joitain suosituimmista kehyksistä, kuten Tensorflow, Keras, Pytorch, Caffe ja voi ottaa käyttöön syvän oppimisalgoritmin Nvidian uusimmissa GPU:issa mallinnuksen nopeuttamiseksi.

Tuomio

Meidän näkökulmastamme Google Pilviratkaisu on se, jota suositellaan eniten. Google Pilviratkaisu tarjoaa AWS:lle vähintään 30 % alhaisemmat hinnat tiedontallennukselle ja koneoppimisratkaisuille. Google tekee erinomaista työtä tekoälyn demokratisoimiseksi. Se on kehittänyt avoimen lähdekoodin kielen, TensorFlow'n, ja optimoinut tietovarasto yhteys tarjoaa valtavia työkaluja datan visualisoinnista ja data-analyysistä koneoppimiseen. Lisäksi Google Konsoli on ergonominen ja paljon kattavampi kuin AWS tai Windows.