TensorFlow vs Theano vs Torch vs Keras: Deep Learning Library

A mesterséges intelligencia népszerűsége 2016 óta növekszik, a nagyvállalatok 20%-a használ mesterséges intelligenciát üzleti tevékenységében (McKinsey jelentést, 2018). Ugyanezen jelentés szerint a mesterséges intelligencia jelentős értéket teremthet az egyes iparágakban. A banki ágazatban például a mesterséges intelligencia potenciálját a becslések szerint $300 milliárd, a kiskereskedelemben a szám az egekbe szökött $600 milliárd.

Az AI potenciális értékének felszabadításához a vállalatoknak meg kell választaniuk a megfelelő mély tanulási keretet. Ebben az oktatóanyagban megismerheti a mély tanulási feladatok végrehajtásához rendelkezésre álló különböző könyvtárakat. Egyes könyvtárak már évek óta léteznek, míg az elmúlt években új könyvtár, például a TensorFlow látott napvilágot.

8 legjobb mély tanulási könyvtár / keretrendszer

Ebben a listában a legnépszerűbb mély tanulási keretrendszereket fogjuk összehasonlítani. Mindegyik nyílt forráskódú és népszerű az adattudós közösségben. Összehasonlítjuk a népszerű ML-t mint szolgáltatót is

Zseblámpa

A Torch egy régi nyílt forráskódú gépi tanulási könyvtár. 15 éve jelent meg először. Ez az elsődleges programozási nyelv a LUA, de van egy implementációja a C nyelven. A PyTorch és a TensorFlow összehasonlítása során hatalmas könyvtárat támogat gépi tanulási algoritmusokhoz, beleértve a mélytanulást is. Támogatja a CUDA megvalósítását a párhuzamos számításokhoz.

A Torch mélytanulási eszközt a legtöbb vezető laboratórium használja, mint például a Facebook, a Google, a Twitter, az Nvidia és így tovább. A Torchban van egy könyvtár Python Pytorchnak nevezi.

Infer.net

Az Infer.net fejlesztője és karbantartója Microsoft. Az Infer.net egy olyan könyvtár, amely elsősorban a Bayes-statisztikára összpontosít. Az Infer.net a Deep Learning vizualizációs eszköze, amely a legkorszerűbb algoritmusokat kínálja a szakembereknek a valószínűségi modellezéshez. A könyvtár tartalmaz analitikai eszközök mint a Bayes-analízis, rejtett Markov-lánc, klaszterezés.

Keras

Keras a Python keretrendszer a mély tanuláshoz. Ez egy kényelmes könyvtár bármilyen mély tanulási algoritmus létrehozásához. A Keras előnye, hogy ugyanazt használja Python kód CPU-n vagy GPU-n történő futtatásához. Emellett a kódolási környezet tiszta, és lehetővé teszi többek között a számítógépes látás, a szövegfelismerés korszerű algoritmusainak betanítását.

A Kerast François Chollet, a Google kutatója fejlesztette ki. A Keras-t olyan prominens szervezetekben használják, mint a CERN, a Yelp, a Square vagy a Google, Netflixés az Uber.

Theano

A Theano egy mély tanulási könyvtár, amelyet az Université de Montréal fejlesztett ki 2007-ben. A Theano és a TensorFlow összehasonlításával gyors számítást kínál, és CPU-n és GPU-n is futtatható. A Theano-t mély neurális hálózati algoritmusok betanítására fejlesztették ki.

Microsoft Kognitív eszköztár (CNTK)

Microsoft toolkit, korábban CNTK néven ismert, egy mély tanulási könyvtár, amelyet a Microsoft. Szerint Microsoft, a könyvtár az egyik leggyorsabb a piacon. Microsoft A toolkit egy nyílt forráskódú könyvtár, bár Microsoft széles körben használja a termékéhez hasonló Skype, Cortana, Bing és Xbox. Az eszköztár mindkettőben elérhető Python és a C++.

MX Net

Az MXnet egy új, mély tanulási könyvtár. Több programozási nyelvvel is elérhető, beleértve C++, Julia, Python és R. Az MXNet beállítható úgy, hogy CPU-n és GPU-n is működjön. Az MXNet a legmodernebb mélytanulási architektúrát tartalmazza, például a konvolúciós neurális hálózatot és a hosszú rövid távú memóriát. Az MXNet működésre készült harmony dinamikus felhő infrastruktúrával. Az MXNet fő felhasználója Amazon

Kávézó

A Caffe egy könyvtár, amelyet Yangqing Jia épített, amikor doktoranduszként a Berkeley-ben volt. A Caffe és a TensorFlow összehasonlítása során a Caffe be van írva C++ és CPU-n és GPU-n is képes számításokat végezni. A Caffe elsődleges felhasználási területe a konvolúciós neurális hálózat. Bár 2017-ben a Facebook kiterjesztette a Caffe-t egy mélyebb tanulási architektúrával, beleértve a Recurrent Neural Networköt. A Caffe-t akadémikusok és induló vállalkozások, de néhány nagyvállalat is használja, mint például a Yahoo!.

TensorFlow

A TensorFlow a Google nyílt forráskódú projektje. A TensorFlow manapság a leghíresebb mély tanulási könyvtár. 2015 végén jelent meg a nyilvánosság számára

A TensorFlow-t ben fejlesztették ki C++ és kényelmes Python API, bár C++ API-k is rendelkezésre állnak. Olyan prominens cégek, mint az Airbus, a Google, IBM és így tovább a TensorFlow-t használják mély tanulási algoritmusok előállítására.

TensorFlow vs Theano vs Torch vs Keras vs infer.net vs CNTK vs MXNet vs Caffe: Főbb különbségek

könyvtár	Emelvény	Írtam be	Cuda támogatás	Párhuzamos végrehajtás	Képzett modelljei vannak	RNN	CNN
Zseblámpa	Linux, macOS, Windows	Lua	Igen	Igen	Igen	Igen	Igen
Infer.Net	Linux, macOS, Windows	Visual Studio	Nem	Nem	Nem	Nem	Nem
Keras	Linux, macOS, Windows	Python	Igen	Igen	Igen	Igen	Igen
Theano	Cross-platform	Python	Igen	Igen	Igen	Igen	Igen
TensorFlow	Linux, macOS, Windows, Android	C++, Python, CUDA	Igen	Igen	Igen	Igen	Igen
MICROSOFT KOGNITÍV ESZKÖZKÉSZLET	Linux, Windows, Mac Dockerrel	C++	Igen	Igen	Igen	Igen	Igen
Kávézó	Linux, macOS, Windows	C++	Igen	Igen	Igen	Igen	Igen
MX Net	Linux, Windows, macOS, Android, IOS, Javascript	C++	Igen	Igen	Igen	Igen	Igen

Ítélet

A TensorFlow a legjobb könyvtár az összes közül, mert úgy készült, hogy mindenki számára elérhető legyen. A Tensorflow könyvtár különböző API-kat tartalmaz a nagyszabású mélytanulási architektúra, például a CNN vagy az RNN létrehozásához. A TensorFlow gráf számításon alapul, lehetővé teszi a fejlesztő számára a neurális hálózat felépítésének megjelenítését Tensorboad. Ez az eszköz segít a program hibakeresésében. Végül a Tensorflow méretarányos üzembe helyezésre készült. CPU-n és GPU-n fut.

A Tensorflow vonzza a legnagyobb népszerűséget a GitHubon a többi mély tanulási könyvtárhoz képest.

A gépi tanulás mint szolgáltatás összehasonlítása

Az alábbiakban 4 népszerű DL szolgáltató található

Google Cloud ML

A Google előre kiképzett fejlesztői modellt biztosít a Cloud AutoML-ben. Ez a megoldás egy erős háttérrel nem rendelkező fejlesztő számára létezik gépi tanulás. A fejlesztők a Google legkorszerűbb, előre betanított modelljét használhatják adataikra. Lehetővé teszi bármely fejlesztő számára, hogy néhány perc alatt betanítsa és értékelje bármilyen modellt.

A Google jelenleg REST API-t biztosít a számítógépes látáshoz, beszédfelismeréshez, fordításhoz és NLP-hez.

<p></p> Google Cloud, betaníthat egy gépi tanulási keretrendszert TensorFlow-ra, Scikit-learn-re, XGBoostra vagy Kerasra. Google Cloud A gépi tanulás betanítja a modelleket a felhőben.

A Google felhőalapú számítástechnika használatának előnye a gépi tanulás termelési folyamatba való beépítésének egyszerűsége. Nincs szükség Docker-tároló beállítására. Emellett a felhő gondoskodik az infrastruktúráról. Tudja, hogyan kell erőforrásokat kiosztani a CPU-k, GPU-k és TPU-k között. Párhuzamos számítással gyorsabbá teszi az edzést.

AWS SageMaker

Jelentős versenytársa Google Cloud is Amazon felhő, AWS. Amazon kifejlesztett Amazon A SageMaker segítségével az adattudósok és fejlesztők bármilyen gépi tanulási modellt megépíthetnek, betaníthatnak és gyártásba hozhatnak.
A SageMaker elérhető a Jupyter Notebook, és többek között tartalmazza a leggyakrabban használt gépi tanulási könyvtárat, a TensorFlow-t, az MXNet-et, a Scikit-learn-t. A SageMakerrel írt programok automatikusan a Docker-tárolókban futnak. Amazon kezeli az erőforrás-elosztást a képzés és a telepítés optimalizálása érdekében.

Amazon API-t biztosít a fejlesztők számára annak érdekében, hogy intelligencia adják hozzá alkalmazásaikat. Bizonyos esetekben nincs szükség arra, hogy új modelleket építsenek a semmiből, miközben erőteljes, előre betanított modellek vannak a felhőben. Amazon API-szolgáltatásokat nyújt számítógépes látáshoz, társalgási chatbotokhoz és nyelvi szolgáltatásokhoz:

A három fő elérhető API a következő:

• Amazon Felismerés: kép- és videófelismerést biztosít egy alkalmazás számára
• Amazon Megért: Szövegbányászat és neurális nyelvi feldolgozás végrehajtása például a pénzügyi dokumentumok jogszerűségének ellenőrzési folyamatának automatizálása érdekében
• Amazon Lex: Adja hozzá a chatbotot egy alkalmazáshoz

Azure Gépi tanulási stúdió

Valószínűleg a gépi tanulás egyik legbarátságosabb megközelítése az Azure Gépi tanulási stúdió. A megoldás jelentős előnye, hogy nincs szükség előzetes programozási ismeretekre.

Microsoft Azure A Machine Learning Studio egy drag and drop együttműködési eszköz a gépi tanulási megoldások létrehozásához, betanításához, értékeléséhez és üzembe helyezéséhez. A modell hatékonyan telepíthető webszolgáltatásként, és számos alkalmazásban, például Excelben is használható.

Azure A gépi tanulási felület interaktív, lehetővé téve a felhasználó számára, hogy az elemek gyors húzásával modellt építsen.

Amikor a modell készen van, a fejlesztő elmentheti és továbbíthatja Azure Képek or Azure Piactér.

Azure A gépi tanulás integrálható az R ill Python egyedi beépített csomagjukat.

IBM Watson ML

A Watson stúdió leegyszerűsítheti az adatprojekteket egy egyszerűsített folyamattal, amely lehetővé teszi az adatokból érték és betekintési lehetőségek kinyerését, hogy a vállalkozás okosabbá és gyorsabbá váljon. A Watson stúdió egy könnyen használható, kollaboratív adattudományi és gépi tanulási környezetet kínál modellek építéséhez és betanításához, adatok előkészítéséhez és elemzéséhez, valamint a betekintések megosztásához egy helyen. A Watson Studio könnyen használható a drag and drop kóddal.

A Watson stúdió támogatja a legnépszerűbb keretrendszerek némelyikét, mint például a Tensorflow, Keras, Pytorch, Caffe, és mélytanulási algoritmust tud telepíteni az Nvidia legújabb GPU-ira a modellezés felgyorsítása érdekében.

Ítélet

Meglátásunk szerint a Google felhő megoldása a leginkább ajánlott. A Google felhőmegoldása az AWS-hez képest legalább 30%-kal alacsonyabb árakat biztosít az adattároláshoz és a gépi tanulási megoldáshoz. A Google kiváló munkát végez az AI demokratizálása érdekében. Kifejlesztett egy nyílt forráskódú nyelvet, a TensorFlow-t, optimalizálva adattárház kapcsolat, óriási eszközöket biztosít az adatvizualizációtól az adatelemzésen át a gépi tanulásig. Emellett a Google Console ergonomikus és sokkal átfogóbb, mint az AWS ill Windows.