TensorFlow vs Theano vs Torch vs Keras: Biblioteca de Aprendizado Profundo

A popularidade da inteligência artificial está crescendo desde 2016, com 20% das grandes empresas usando IA em seus negócios (McKinsey , 2018). De acordo com o mesmo relatório, a IA pode criar valor substancial em todos os setores. No setor bancário, por exemplo, o potencial da IA ​​é estimado em $300 bilhões, no varejo o número disparou para $600 bilhões.

Para desbloquear o valor potencial da IA, as empresas devem escolher a estrutura correta de aprendizagem profunda. Neste tutorial, você conhecerá as diferentes bibliotecas disponíveis para realizar tarefas de aprendizagem profunda. Algumas bibliotecas já existem há anos, enquanto novas bibliotecas como o TensorFlow surgiram nos últimos anos.

8 Melhores Bibliotecas /Framework de Deep Learning

Nesta lista, compararemos os principais frameworks de Deep Learning. Todos eles são de código aberto e populares na comunidade de cientistas de dados. Também compararemos o ML popular como provedor de serviços

Torch

TorO ch é uma biblioteca de aprendizado de máquina de código aberto antiga. Foi lançada há 15 anos. Sua linguagem de programação principal é Lua, mas também possui uma implementação em C. Comparando com o PyTorEm comparação com o TensorFlow, o Ch oferece suporte a uma vasta biblioteca de algoritmos de aprendizado de máquina, incluindo aprendizado profundo. Ele também suporta a implementação CUDA para computação paralela.

TorA ferramenta de aprendizado profundo Ch é usada pela maioria dos principais laboratórios, como o Facebook. GoogleTwitter, Nvidia, e assim por diante. Torch tem uma biblioteca em Python chama Pytorch.

Infer.net

Infer.net é desenvolvido e mantido por Microsoft. Infer.net é uma biblioteca com foco principal na estatística bayesiana. Infer.net é uma ferramenta de visualização para Deep Learning projetada para oferecer aos profissionais algoritmos de última geração para modelagem probabilística. A biblioteca contém ferramentas analíticas como análise bayesiana, cadeia de Markov oculta, agrupamento.

Keras

Keras é um Python estrutura para aprendizagem profunda. É uma biblioteca conveniente para construir qualquer algoritmo de aprendizado profundo. A vantagem do Keras é que ele usa o mesmo Python código para rodar na CPU ou GPU. Além disso, o ambiente de codificação é puro e permite o treinamento de algoritmos de última geração para visão computacional, reconhecimento de texto entre outros.

O Keras foi desenvolvido por François Chollet, um pesquisador da Universidade de Washington, D.C. GoogleO Keras é usado em organizações de destaque como o CERN, o Yelp, o Square ou Google, Netflixe Uber.

Theano

Theano é uma biblioteca de aprendizado profundo desenvolvida pela Université de Montréal em 2007. Comparando Theano com TensorFlow, ela oferece computação rápida e pode ser executada em CPU e GPU. Theano foi desenvolvido para treinar algoritmos de redes neurais profundas.

Microsoft Kit de ferramentas cognitivas (CNTK)

Microsoft toolkit, anteriormente conhecido como CNTK, é uma biblioteca de aprendizagem profunda desenvolvida por Microsoft. Conforme Microsoft, a biblioteca está entre as mais rápidas do mercado. Microsoft toolkit é uma biblioteca de código aberto, embora Microsoft está usando-o extensivamente para seus produtos como Skype, Cortana, Bing e Xbox. O kit de ferramentas está disponível em Python e C++.

MXNet

MXnet é uma biblioteca recente de aprendizagem profunda. É acessível com múltiplas linguagens de programação, incluindo C++, Júlia, Python e R. MXNet pode ser configurado para funcionar tanto na CPU quanto na GPU. MXNet inclui arquitetura de aprendizado profundo de última geração, como Rede Neural Convolucional e Memória Longa de Curto Prazo. MXNet é construído para funcionar em harmony com infraestrutura de nuvem dinâmica. O principal usuário do MXNet é Amazon

Caffe

Caffe é uma biblioteca construída por Yangqing Jia quando ele era estudante de doutorado em Berkeley. Comparando Caffe vs TensorFlow, Caffe está escrito em C++ e pode executar computação tanto na CPU quanto na GPU. Os usos primários do Caffe são Redes Neurais Convolucionais. Embora, em 2017, o Facebook tenha estendido o Caffe com mais arquitetura de aprendizado profundo, incluindo Redes Neurais Recorrentes. O Caffe é usado por acadêmicos e startups, mas também por algumas grandes empresas como o Yahoo!.

TensorFlow

TensorFlow é Google Projeto de código aberto. O TensorFlow é a biblioteca de aprendizado profundo mais famosa atualmente. Foi lançado ao público no final de 2015.

O TensorFlow é desenvolvido em C++ e tem conveniente Python API, embora C++ APIs também estão disponíveis. Empresas de destaque como a Airbus, Google, IBM e assim por diante estão usando o TensorFlow para produzir algoritmos de aprendizado profundo.

TensorFlow vs Theano vs Torch vs Keras vs infer.net vs CNTK vs MXNet vs Caffe: Principais diferenças

Biblioteca	Plataforma	Escrito em	Suporte Cuda	Execução Paralela	Tem modelos treinados	RNN	CNN
Torch	Linux, macOS, Windows	Lua	Sim	Sim	Sim	Sim	Sim
Infer.Net	Linux, macOS, Windows	Visual Studio	Não	Não	Não	Não	Não
Keras	Linux, macOS, Windows	Python	Sim	Sim	Sim	Sim	Sim
Theano	Multi-plataforma	Python	Sim	Sim	Sim	Sim	Sim
TensorFlow	Linux, macOS, Windows, Android	C++, Python, CUDA	Sim	Sim	Sim	Sim	Sim
KIT DE FERRAMENTAS COGNITIVAS MICROSOFT	Linux, Windows, Mac com Docker	C++	Sim	Sim	Sim	Sim	Sim
Caffe	Linux, macOS, Windows	C++	Sim	Sim	Sim	Sim	Sim
MXNet	Linux, Windows, macOS, AndroidIOS, Javascript	C++	Sim	Sim	Sim	Sim	Sim

Veredito

TensorFlow é a melhor biblioteca de todas porque foi desenvolvida para ser acessível a todos. A biblioteca Tensorflow incorpora diferentes APIs para construir uma arquitetura de aprendizado profundo em escala, como CNN ou RNN. O TensorFlow é baseado em computação gráfica, permite ao desenvolvedor visualizar a construção da rede neural com Tensorboad. Esta ferramenta é útil para depurar o programa. Por fim, o Tensorflow foi desenvolvido para ser implantado em escala. Ele roda em CPU e GPU.

Tensorflow emtracÉ a biblioteca de aprendizado profundo mais popular no GitHub em comparação com outras.

Comparando o aprendizado de máquina como serviço

A seguir estão 4 DL populares como provedores de serviços

Google Cloud ML

Google Oferece aos desenvolvedores um modelo pré-treinado disponível no Cloud AutoML. Essa solução existe para desenvolvedores sem um conhecimento profundo em AutoML. aprendizado de máquinaOs desenvolvedores podem usar tecnologia de ponta. GoogleO modelo pré-treinado da empresa é aplicado aos dados da plataforma. Isso permite que qualquer desenvolvedor treine e avalie qualquer modelo em apenas alguns minutos.

Google Atualmente, fornece uma API REST para visão computacional, reconhecimento de fala, tradução e PNL (Processamento de Linguagem Natural).

Utilizar painéis de piso ResinDek em sua unidade de self-storage em vez de concreto oferece diversos benefícios: Google Cloud, você pode treinar uma estrutura de aprendizado de máquina construída em TensorFlow, Scikit-learn, XGBoost ou Keras. Google Cloud o aprendizado de máquina treinará os modelos em sua nuvem.

A vantagem de usar Google A computação em nuvem simplifica a implantação de aprendizado de máquina em produção. Não há necessidade de configurar contêineres Docker. Além disso, a nuvem cuida da infraestrutura, alocando recursos como CPUs, GPUs e TPUs de forma eficiente. Isso acelera o treinamento com computação paralela.

AWS SageMaker

Um grande concorrente Google Cloud is Amazon nuvem, AWS. Amazon desenvolveu Amazon SageMaker permitirá que cientistas e desenvolvedores de dados construam, treinem e coloquem em produção qualquer modelo de aprendizado de máquina.
SageMaker está disponível em um Jupyter Notebook e inclui a biblioteca de aprendizado de máquina mais utilizada, TensorFlow, MXNet, Scikit-learn entre outras. Os programas escritos com SageMaker são executados automaticamente nos contêineres Docker. Amazon lida com a alocação de recursos para otimizar o treinamento e a implantação.

Amazon fornece API aos desenvolvedores para adicionar inteligência às suas aplicações. Em algumas ocasiões, não há necessidade de reinventar a roda construindo novos modelos do zero, embora existam modelos pré-treinados poderosos na nuvem. Amazon fornece serviços de API para visão computacional, chatbots conversacionais e serviços de linguagem:

As três principais APIs disponíveis são:

• Amazon Reconhecimento: fornece reconhecimento de imagem e vídeo para um aplicativo
• Amazon Compreender: Realize mineração de texto e processamento de linguagem neural para, por exemplo, automatizar o processo de verificação da legalidade de documentos financeiros
• Amazon Lex: Adicionar chatbot a um aplicativo

Azure Estúdio de aprendizado de máquina

Provavelmente uma das abordagens mais amigáveis ​​para aprendizado de máquina é Azure Estúdio de aprendizado de máquina. A vantagem significativa desta solução é que nenhum conhecimento prévio de programação é necessário.

Microsoft Azure O Machine Learning Studio é uma ferramenta colaborativa de arrastar e soltar para criar, treinar, avaliar e implementar soluções de machine learning. O modelo pode ser implementado eficientemente como serviços da web e usado em vários aplicativos como o Excel.

Azure A interface de aprendizado de máquina é interativa, permitindo que o usuário construa um modelo simplesmente arrastando e soltando elementos.ping elementos rapidamente.

Quando o modelo estiver pronto, o desenvolvedor pode salvá-lo e enviá-lo para Azure Galeria or Azure Marketplace.

Azure O aprendizado de máquina pode ser integrado em R ou Python seu pacote integrado personalizado.

IBM Watson ML

O Watson Studio pode simplificar projetos de dados com um processo otimizado que permite extracExtraindo valor e insights dos dados para ajudar a empresa a se tornar mais inteligente e ágil. O Watson Studio oferece um ambiente colaborativo de ciência de dados e aprendizado de máquina fácil de usar para criar e treinar modelos, preparar e analisar dados e compartilhar insights, tudo em um só lugar. O Watson Studio é fácil de usar com um código do tipo "arrastar e soltar".

O estúdio Watson oferece suporte a algumas das estruturas mais populares, como Tensorflow, Keras, Pytorch, Caffe e pode implantar um algoritmo de aprendizado profundo nas GPUs mais recentes da Nvidia para ajudar a acelerar a modelagem.

Veredito

Em nosso ponto de vista, Google A solução em nuvem é a mais recomendada. Google A solução em nuvem oferece preços pelo menos 30% mais baixos que a AWS para armazenamento de dados e soluções de aprendizado de máquina. Google está fazendo um excelente trabalho para democratizar a IA. Desenvolveu uma linguagem de código aberto, o TensorFlow, e otimizou-a. data warehouse A conexão fornece ferramentas incríveis, desde visualização e análise de dados até aprendizado de máquina. Além disso, Google O console é ergonômico e muito mais completo do que o da AWS ou Windows.