从Theano到Lasagne：基于Python的深度学习的框架和库
发表于 09:35|
来源http://creative-punch.net/|
作者Creative Punch
摘要：最近，深度神经网络以“Deep Dreams”形式在网站中如雨后春笋般出现，或是像谷歌研究原创论文中描述的那样：Inceptionism。在这篇文章中，我们将讨论几个不同的深度学习框架，库以及工具。
深度学习是机器学习和人工智能的一种形式，利用堆积在彼此顶部的神经网络的多个隐藏层来尝试形成对数据更深层次的“理解”。最近，深度神经网络以“Deep&Dreams”形式在网站中如雨后春笋般出现，或是像中描述的那样：Inceptionism。在这篇文章中，我们将讨论几个不同的深度学习框架，库以及工具。Python深度学习Theano主页：Github网址：Theano不仅是这篇文章中将要讨论的其他框架的核心库，于其自身而言，它也是一个强大的库，几乎能在任何情况下使用，从简单的logistic回归到建模并生成音乐和弦序列或是使用长短期记忆人工神经网络对电影收视率进行分类。Theano大部分代码是使用Cython编写，Cython是一个可编译为本地可执行代码的Python方言，与仅仅使用解释性Python语言相比，它能够使运行速度快速提升。最重要的是，很多优化程序已经集成到Theano库中，它能够优化你的计算量并让你的运行时间保持最低。如果速度的提升还不能满足你，它还内置支持使用在GPU上执行那些所有耗时的计算。所有的这一切仅仅只需要修改配置文件中的标志位即可。在CPU上运行一个脚本，然后切换到GPU，而对于你的代码，则不需要做任何变化。同时我们应该注意到，尽管Theano使用Cython和CUDA对其性能大大提升，但你仍然可以仅仅使用Python语言来创建几乎任何类型的神经网络结构。Pylearn2主页：Github网址：Pylearn2和Theano由同一个开发团队开发，Pylearn2是一个机器学习库，它把深度学习和人工智能研究许多常用的模型以及训练算法封装成一个单一的实验包，如随机梯度下降。你也可以很轻松的围绕你的类和算法编写一个封装程序，为了能让它在Pylearn2上运行，你需要在一个单独的YAML格式的配置文件中配置你整个神经网络模型的参数。除此之外，它还有很多数据集及其预编译好的软件包，所以，你现在就可以直接使用MNIST数据集开始做实验了！BlocksGithub网址：Blocks是一个非常模块化的框架，有助于你在Theano上建立神经网络。目前它支持并提供的功能有：构建参数化Theano运算，称之为“bricks”。在大型模型中使用模式匹配来选择变量以及“bricks”。使用算法优化模型。训练模型的保存和恢复。在训练过程中检测和分析值（训练集以及测试集）。图形变换的应用，如dropout。Keras主页：Github网址：Keras是一个简约的、高度模块化的神经网络库，设计参考了Torch，基于Theano和Python语言编写，支持GPU和CPU。它的开发侧重于实现快速试验和创造新的深度学习模型。如果你需要具有以下功能的深度学习库，采用Keras就恰到好处：可以很容易地、快速地建立原型（通过总体模块化，极简化并且可扩展化）。支持卷积网络和递归网络，以及两者的组合。支持任意连接方式（包括多输入多输出训练）。Keras库与其他采用Theano库的区别是Keras的编码风格非常简约、清晰。它把所有的要点使用小类封装起来，能够很容易地组合在一起并创造出一种全新的模型。CSDN博客上的更多介绍：&LasagneGithub网址：Lasagne不只是一个美味的意大利菜，也是一个与Blocks和Keras有着相似功能的深度学习库，但其在设计上与它们有些不同。下面是Lasagne的一些设计目的：简单化：它应该是易于使用和扩展的机器学习库。每添加一个特征，就应该考虑其对易用性和扩展性的影响。每一个抽象概念的加入都应该仔细检查，以确定增加的复杂性是否合理。小接口：尽可能少的类和方法。尽可能依赖Theano的功能和数据类型，遵循Theano的规定。如果没有严格的必要，不要在类中封装东西。这会使它更容易使用库并且扩展它（不需要有太多的认知）。不碍事：未使用的功能应该是不可见的，用户不会考虑他们不使用的功能。尽可能单独的使用库文件中的组件。透明性：不要试图掩盖Theano，尽量以Python或NumPy数据类型的形式将函数和方法返回给Theano表达式。重点：遵循Unix哲学“做一件事，并把它做好”，重点集中在前馈神经网络。实用主义：使普通用例更易于使用，这要比支持每一个可能的用例更为重要。原文链接：（译者/刘帝伟 审校/刘翔宇、朱正贵 责编/周建丁）译者简介：&，中南大学软件学院在读研究生，关注机器学习、数据挖掘及生物信息领域。延伸阅读：（From：知乎）&（From：博乐在线翻译）如果您对深度学习框架有更多的见解和心得希望分享，请给小编发送邮件：。如果您想了解更多的深度学习相关产品，请关注。更多人工智能技术分享与交流，请加入CSDN 人工智能技术交流QQ群，群号：。
推荐阅读相关主题：
CSDN官方微信
扫描二维码,向CSDN吐槽
微信号：CSDNnews
相关热门文章如果你是一个初学者，或者你以前接触过其他的，你可能不知道，在开始的时候都会遇到一个比较让人很头疼的问题：版本问题！！是2 还是学习 python3 ？这是非常让人纠结的！搜索一下便会发现python3 和 python2 是不兼容的，而且差异比较大，到底学习哪个版本呢？下面就来为大家分析一下：其实python是linux上最常用的软件之一，但是linux目前的版本大部分还是使用python2的，而且，在linux上依赖python2的程序更多一些，所以 Python3 要代替 python2 成为主流还需要几年的时间。当初设计 Python3 的目的是没有代码兼容的包袱的情况下改进 Python，但个人认为改进得还不够大刀阔斧，没有彻底改进一些bug，还有不少的 wart 错过了改进机会，因此造成的语法不兼容的地方也没最初设想的多。人们几年摸索慢慢下来，大部分的情况下可以直接写 2/3 兼容的代码，也有 six 这类的兼容层可用。所以先学 Python2 还是 Python3 都不是问题，或者说都是问题。目前现状是实际应用中大部分暂不考虑 Python3，有的时候注意写兼容 2/3 的代码。用 Python2 为主的写新代码时要考虑以后迁移到 Python3 的可能性。无论学 Python2 还是 Python3，都需要注意另外一边的不同点：所幸就是这些不同点很容易掌握，只有一个 unicode encoding 对较多人造成困扰（同时也是很多 web 相关库移植的主要障碍，3.3 重新支持 u''，情况大大改善了）2 还是 python3 、使用python2 还是 python3 需要看具体情况而定所以我建议：1. 如果是你在企业中，需要用到python而学习python的话，那就要看企业的应用python的版本进行学习；2. 如果想要更多的成熟解决方案，最少的bug，最稳定的应用那就用python2 ；3. 如果你是在读大学的学生，那我建议你学习python3，等到毕业的时候或许python已经成为了主流。
阅读(...) 评论()新手园地& & & 硬件问题Linux系统管理Linux网络问题Linux环境编程Linux桌面系统国产LinuxBSD& & & BSD文档中心AIX& & & 新手入门& & & AIX文档中心& & & 资源下载& & & Power高级应用& & & IBM存储AS400Solaris& & & Solaris文档中心HP-UX& & & HP文档中心SCO UNIX& & & SCO文档中心互操作专区IRIXTru64 UNIXMac OS X门户网站运维集群和高可用服务器应用监控和防护虚拟化技术架构设计行业应用和管理服务器及硬件技术& & & 服务器资源下载云计算& & & 云计算文档中心& & & 云计算业界& & & 云计算资源下载存储备份& & & 存储文档中心& & & 存储业界& & & 存储资源下载& & & Symantec技术交流区安全技术网络技术& & & 网络技术文档中心C/C++& & & GUI编程& & & Functional编程内核源码& & & 内核问题移动开发& & & 移动开发技术资料ShellPerlJava& & & Java文档中心PHP& & & php文档中心Python& & & Python文档中心RubyCPU与编译器嵌入式开发驱动开发Web开发VoIP开发技术MySQL& & & MySQL文档中心SybaseOraclePostgreSQLDB2Informix数据仓库与数据挖掘NoSQL技术IT业界新闻与评论IT职业生涯& & & 猎头招聘IT图书与评论& & & CU技术图书大系& & & Linux书友会二手交易下载共享Linux文档专区IT培训与认证& & & 培训交流& & & 认证培训清茶斋投资理财运动地带快乐数码摄影& & & 摄影器材& & & 摄影比赛专区IT爱车族旅游天下站务交流版主会议室博客SNS站务交流区CU活动专区& & & Power活动专区& & & 拍卖交流区频道交流区
白手起家, 积分 23, 距离下一级还需 177 积分
论坛徽章:0
本帖最后由 不念过去 于
19:18 编辑
之前看过关于Python该如何学习的帖子，大概有以下方法：
1.自己做些小工具，以减少自己的工作量；
（做过的人能详细说说吗？我不知道该如何下手，也不知道有什么工具可以做）
2.做欧拉计划上的题；
（我看了一下那个欧拉网站，上面的题都是与数学相关的问题，用什么编程语言都可以解决，更多的是训练我们的算法，与Python的紧密性不强，能推荐一些与Python相关的练习题网站吗？）
3.看别人写的程序
（同样，可以推荐一些比较好的网站或博客来看别人的程序吗？）
4.在一些论坛上解决别人给出的Python问题；
（这样是可以在一定程度上提高自己的编程能力，但是我觉得这种学习方法不是很系统。）
希望大神们能够帮我指明前进的道路，给出切实的建议
本人在此先谢过大家了
&&nbsp|&&nbsp&&nbsp|&&nbsp&&nbsp|&&nbsp&&nbsp|&&nbsp
白手起家, 积分 23, 距离下一级还需 177 积分
论坛徽章:0
白手起家, 积分 23, 距离下一级还需 177 积分
论坛徽章:0
再分享一个Python学习资料相当全的网页链接给大家伙
里面有各种你需要的电子书的电子版可供下载
白手起家, 积分 23, 距离下一级还需 177 积分
论坛徽章:0
不知道为毛关键部分会变成**
**部分为t o p s a g e . c o m（无空格哦）
白手起家, 积分 23, 距离下一级还需 177 积分
论坛徽章:0
再给几个Python的简单练习题
希望各位大牛能够帮我解决问题
富足长乐, 积分 6893, 距离下一级还需 1107 积分
论坛徽章:4
具体到这种程度还不行，说明我道行太浅，帮不了你了，等高手给你答案了，顺便我也学习下。
白手起家, 积分 23, 距离下一级还需 177 积分
论坛徽章:0
& & 那你现在都用Python在做些什么，学些什么呢
白手起家, 积分 76, 距离下一级还需 124 积分
论坛徽章:0
lz的相片怎么那么像王宝强又像文章。。。。
富足长乐, 积分 6893, 距离下一级还需 1107 积分
论坛徽章:4
& & 我学python的动力是减少工作中的重复劳动，目前已经减少很多了，但是我是一个非常懒的人，一点重复劳动都不想做，所以一直想用python控制office来减少我的重复劳动，可是现在又比较忙，控制office，准确的说是控制word代码一直没写出来，教程也较少，如果你有兴趣，可以考虑帮我写些代码控制word，当自己练手。
以前也找别人做过这样的软件，但是总不能精确表达我的意思，总不能一点小问题就找别人吧？而且跟表达出自己的意思也要花费较多的时间，有这些时间，我动手也能解决，而且更快，但是我说过了，我是一个很懒的人，一点重复劳动都不想做，一次重复劳动不算什么，但是我需要重复很多次，这我就不想做了。
现在感觉很不错，生成的结果有一点不对，我就知道什么地方出了问题，然后修改代码，现在我的这个软件已经非常好用了，但是我还不满意，还打算继续改进。就是加入控制word的功能部分。
真正动手写起代码来，学习的东西能够得到练习熟练，还能发现自己原来有这么多东西需要学习。
有没有兴趣帮我实现我没有实现的功能？可以考虑有偿劳动，但是不会太多。
白手起家, 积分 23, 距离下一级还需 177 积分
论坛徽章:0
& & 这是文章。。
& & 文章怎么敢和王宝强相提并论呢？
北京盛拓优讯信息技术有限公司. 版权所有 京ICP备号 北京市公安局海淀分局网监中心备案编号：22
广播电视节目制作经营许可证(京) 字第1234号
中国互联网协会会员&&联系我们：
感谢所有关心和支持过ChinaUnix的朋友们
转载本站内容请注明原作者名及出处9大Python深度学习库，选出最适合你的那个
我的图书馆
9大Python深度学习库，选出最适合你的那个
1 新智元推荐1来源：数盟社区授权转载作者：Adrian Rosebrock【重要通知：10月18 日世界人工智能大会现场一律凭活动行二维码入场，上午主论坛于 08:30 正式开始，现场座位紧张，请提前签到入场。另外，不接受现金购票，分论坛票只有下午可以入场】 活动行浏览已经超过 7 万，还有一些已购票付款的公司和机构未换二维码。活动行在大会现场设有咨询席位，但提前换二维码节省签到时间。请团购注册的公司关注，务必提醒参会的同事们手机接收二维码，如果不清晰可以打印出来，现场在签到处换领大会嘉宾胸卡。大会地点：国家会议中心（C4 入口）会议签到：上午主论坛 07:30-08:30，下午分论坛 13:00-14:00会议时间：上午主论坛 08:30-12:00，下午分论坛 14:00-18:00【关注世界人工智能大会的好友们，福利来了！】爱奇艺科技频道提供周二上午主论坛的直播（H5地址，各端都可以看）：/l_19rr7t1kdn.html 无法亲临现场的好友们欢迎收藏！如果你对深度学习和卷积神经网络感兴趣，但是并不知道从哪里开始，也不知道使用哪种库，那么这里就为你提供了许多帮助。在这篇文章里，我详细解读了9个我最喜欢的Python深度学习库。这个名单并不详尽，它只是我在计算机视觉的职业生涯中使用并在某个时间段发现特别有用的一个库的列表。这其中的一些库我比别人用的多很多，尤其是Keras、mxnet和sklearn-theano。其他的一些我是间接的使用，比如Theano和TensorFlow（库包括Keras、deepy和Blocks等）。另外的我只是在一些特别的任务中用过（比如nolearn和他们的Deep Belief Network implementation）。这篇文章的目的是向你介绍这些库。我建议你认真了解这里的每一个库，然后在某个具体工作情境中你就可以确定一个最适用的库。我想再次重申，这份名单并不详尽。此外，由于我是计算机视觉研究人员并长期活跃在这个领域，对卷积神经网络（细胞神经网络）方面的库会关注更多。我把这个深度学习库的列表分为三个部分。第一部分是比较流行的库，你可能已经很熟悉了。对于这些库，我提供了一个通俗的、高层次的概述。然后，针对每个库我详细解说了我的喜欢之处和不喜欢之处，并列举了一些适当的应用案例。第二部分进入到我个人最喜欢的深度学习库，也是我日常工作中使用最多的，包括：Keras、mxnet和sklearn-theano等。最后，我对第一部分中不经常使用的库做了一个“福利”板块，你或许还会从中发现有用的或者是在第二板块中我还没有尝试过但看起来很有趣的库。接下来就让我们继续探索。针对初学者1.Caffe提到“深度学习库”就不可能不说到Caffe。事实上，自从你打开这个页面学习深度学习库，我就敢打保票你肯定听说Caffe。那么，究竟Caffe是什么呢？Caffe是由Berkeley Vision and Learning Center（BVLC）建立的深度学习框架。它是模块化的，速度极快。而且被应用于学术界和产业界的start-of-the-art应用程序中。事实上，如果你去翻阅最新的深度学习出版物（也提供源代码），你就很可能会在它们相关的GitHub库中找到Caffe模型。虽然Caffe本身并不是一个Python库，但它提供绑定到Python上的编程语言。我们通常在新领域开拓网络的时候使用这些绑定。我把Caffe放在这个列表的原因是它几乎被应用在各个方面。你可以在一个空白文档里定义你的模型架构和解决方案，建立一个JSON文件类型的.prototxt配置文件。Caffe二进制文件提取这些.prototxt文件并培训你的网络。Caffe完成培训之后，你可以把你的网络和经过分类的新图像通过Caffe二进制文件，更好的就直接通过Python或MATLAB的API。虽然我很喜欢Caffe的性能（它每天可以在K40 GPU上处理60万张图片），但相比之下我更喜欢Keras和mxnet。主要的原因是，在.prototxt文件内部构建架构可能会变得相当乏味和无聊。更重要的是， Caffe不能用编程方式调整超参数！由于这两个原因，在基于Python的API中我倾向于对允许我实现终端到终端联播网的库倾斜（包括交叉验证和调整超参数）。2.Theano在最开始我想说Theano是美丽的。如果没有Theano，我们根本不会达到现有的深度学习库的数量（特别是在Python）。同样的，如果没有numpy，我们就不会有SciPy、scikit-learn和 scikit-image,，同样可以说是关于Theano和深度学习更高级别的抽象。非常核心的是，Theano是一个Python库，用来定义、优化和评估涉及多维数组的数学表达式。 Theano通过与numpy的紧密集成，透明地使用GPU来完成这些工作。虽然可以利用Theano建立深度学习网络，但我倾向于认为Theano是神经网络的基石，同样的numpy是作为科学计算的基石。事实上，大多数我在文章中提到的库都是围绕着Theano，使自己变得更加便利。不要误会我的意思，我爱Theano，我只是不喜欢用Theano编写代码。在Theano建设卷积神经网络就像只用本机Python中的numpy写一个定制的支持向量机（SVM），当然这个对比并不是很完美。你可以做到吗？当然可以。它值得花费您的时间和精力吗？嗯，也许吧。这取决于你是否想摆脱低级别或你的应用是否需要。就个人而言，我宁愿使用像Keras这样的库，它把Theano包装成更有人性化的API，同样的方式，scikit-learn使机器学习算法工作变得更加容易。3.TensorFlow与Theano类似，TensorFlow是使用数据流图进行数值计算的开源库（这是所有神经网络固有的特征）。最初由谷歌的机器智能研究机构内的Google Brain Team研究人员开发，此后库一直开源，并提供给公众。相比于Theano ，TensorFlow的主要优点是分布式计算，特别是在多GPU的环境中（虽然这是Theano正在攻克的项目）。除了用TensorFlow而不是Theano替换Keras后端，对于TensorFlow库我并没有太多的经验。然而在接下来的几个月里，我希望这有所改变。4.LasagneLasagne是Theano中用于构建和训练网络的轻量级库。这里的关键词是轻量级的，也就意味着它不是一个像Keras一样围绕着Theano的重包装的库。虽然这会导致你的代码更加繁琐，但它会把你从各种限制中解脱出来，同时还可以让您根据Theano进行模块化的构建。简而言之：Lasagne的功能是Theano的低级编程和Keras的高级抽象之间的一个折中。我最喜欢的：5.Keras如果我必须选出一个最喜欢的深度学习Python库，我将很难在Keras和mxnet中做出抉择——但最后，我想我会选Keras。说真的，Keras的好处我说都说不完。Keras是一个最低限度的、模块化的神经网络库，可以使用Theano或TensorFlow作为后端。Keras最主要的用户体验是，从构思到产生结果将会是一个非常迅速的过程。在Keras中架构网络设计是十分轻松自然的。它包括一些state-of-the-art中针对优化（Adam，RMSProp）、标准化（BatchNorm）和激活层（PReLU，ELU，LeakyReLU）最新的算法。Keras也非常注重卷积神经网络，这也是我十分需要的。无论它是有意还是无意的，我觉得从计算机视觉的角度来看这是非常有价值的。更重要的是，你既可以轻松地构建基于序列的网络（其中输入线性流经网络）又可以创建基于图形的网络（输入可以“跳过”某些层直接和后面对接）。这使得创建像GoogLeNet和SqueezeNet这样复杂的网络结构变得容易得多。我认为Keras唯一的问题是它不支持多GPU环境中并行地训练网络。这可能会也可能不会成为你的大忌。如果我想尽快地训练网络，那么我可能会使用mxnet。但是如果我需要调整超参数，我就会用Keras设置四个独立的实验（分别在我的Titan X GPUs上运行）并评估结果。6.mxnet我第二喜欢的深度学习Python库无疑就是mxnet（重点也是训练图像分类网络）。虽然在mxnet中站立一个网络可能需要较多的代码，但它会提供给你惊人数量的语言绑定（C 、Python、R、JavaScript等）。Mxnet库真正出色的是分布式计算，它支持在多个CPU / GPU机训练你的网络，甚至可以在AWS、Azure以及YARN集群。它确实需要更多的代码来设立一个实验并在mxnet上运行（与Keras相比），但如果你需要跨多个GPU或系统分配训练，我推荐mxnet。7.sklearn-theano有时候你并不需要终端到终端的培养一个卷积神经网络。相反，你需要把CNN看作一个特征提取器。当你没有足够的数据来从头培养一个完整的CNN时它就会变得特别有用。仅仅需要把你的输入图像放入流行的预先训练架构，如OverFeat、AlexNet、VGGNet或GoogLeNet，然后从FC层提取特征（或任何您要使用的层）。总之，这就是sklearn-theano的功能所在。你不能用它从头到尾的训练一个模型，但它的神奇之处就是可以把网络作为特征提取器。当需要评估一个特定的问题是否适合使用深度学习来解决时，我倾向于使用这个库作为我的第一手判断。8.nolearn我在PyImageSearch博客上用过几次nolearn，主要是在我的MacBook Pro上进行一些初步的GPU实验和在Amazon EC2 GPU实例中进行深度学习。Keras把 Theano和TensorFlow包装成了更具人性化的API，而nolearn也为Lasagne做了相同的事。此外，nolearn中所有的代码都是与scikit-learn兼容的，这对我来说绝对是个超级的福利。我个人不使用nolearn做卷积神经网络（CNNs），但你当然也可以用（我更喜欢用Keras和mxnet来做CNNs）。我主要用nolearn来制作Deep Belief Networks (DBNs)。9.DIGITSDIGITS并不是一个真正的深度学习库（虽然它是用Python写的）。DIGITS（深度学习GPU培训系统）实际上是用于培训Caffe深度学习模式的web应用程序（虽然我认为你可以破解源代码然后使用Caffe以外其他的后端进行工作，但这听起来就像一场噩梦）。如果你曾经用过Caffe，那么你就会知道通过它的终端来定义.prototxt文件、生成图像数据、运行网络并监管你的网络训练是相当繁琐的。 DIGITS旨在通过让你在浏览器中执行这些任务来解决这个问题。此外，DIGITS的用户界面非常出色，它可以为你提供有价值的统计数据和图表作为你的模型训练。另外，你可以通过各种输入轻松地可视化网络中的激活层。最后，如果您想测试一个特定的图像，您可以把图片上传到你的DIGITS服务器或进入图片的URL，然后你的Caffe模型将会自动分类图像并把结果显示在浏览器中。干净利落！福利：&10.Blocks说实话，虽然我一直想尝试，但截至目前我的确从来没用过Blocks（这也是我把它包括在这个列表里的原因）。就像许多个在这个列表中的其他库一样，Blocks建立在Theano之上，呈现出一个用户友好型的API。11.deepy如果让你猜deepy是围绕哪个库建立的，你会猜什么？没错，就是Theano。我记得在前一段时间用过deepy（做了初始提交），但在接下里的大概6-8个月我都没有碰它了。我打算在接下来的博客文章里再尝试一下。12.pylearn2虽然我从没有主动地使用pylearn2，但由于历史原因，我觉得很有必要把它包括在这个列表里。 Pylearn2不仅仅是一般的机器学习库（地位类似于scikit-learn），也包含了深度学习算法的实现。对于pylearn2我最大的担忧就是（在撰写本文时），它没有一个活跃的开发者。正因为如此，相比于像Keras和mxnet这样的有积极维护的库，推荐pylearn2我还有些犹豫。13.Deeplearning4j这本应是一个基于Python的列表，但我想我会把Deeplearning4j包括在这里，主要是出于对他们所做事迹的无比崇敬——Deeplearning4j为JVM建立了一个开源的、分布式的深度学习库。如果您在企业工作，你可能会有一个塞满了用过的Hadoop和MapReduce服务器的储存器。也许这些你还在用，也许早就不用了。你怎样才能把这些相同的服务器应用到深度学习里？事实证明是可以的——你只需要Deeplearning4j。深入研究深度学习和卷积神经网络图1：了解PyImageSearch大师课程内的如何利用深度学习和卷积神经网络对图像内容进行分类对深度学习好奇吗？我会在这里提供帮助。在PyImageSearch大师的课程中，我创建了21节课包括256页的神经网络、深度信念网络和卷积神经网络教程，可以让你轻松快速的学到这些内容。想要了解更多关于PyImageSearch大师课程的内容（抢10个免费课程样本），只需点击下面的链接：/pyimagesearch-gurus/?src=post-deep-learning-libs总结在这篇文章中，我回顾了一些我最喜爱的深度学习和卷积神经网络库。但这个列表决不是详尽的，而且专注于计算机视觉和卷积神经网络的深度学习库肯定是有失偏颇的。尽管这样说，但对于一个刚刚进入深度学习领域，并在寻找一个合适的库的人，我认为这确实是一个伟大的列表。我个人认为打败Keras和mxne是很难的事。Keras库位于计算的龙头地位，如Theano和TensorFlow，可以让您只需几行Python代码就可以构建深度学习架构。虽然mxnet可能需要更多一点的代码来构建和培养网络，但它能够轻松高效地将培养任务分配到多个GPU中。如果你在一个多GPU系统或环境中，并希望充分利用这个环境，那就肯定要试一试mxnet。原文链接：//my-top-9-favorite-python-deep-learning-libraries/豪华嘉宾阵容，共飨 AI 盛宴7 大院长齐聚新智元智库院长圆桌论坛 &2016世界人工智能大会技术论坛特设“新智元智库院长圆桌会议”，重量级研究院院长8仙过海，带来最前沿的AI研究动态、剖析技术发展趋势。八位人工智能界“高手”现场过招，思想的激烈碰撞会给目前的人工智能发展带来哪些洞见？八位院长对行业的发展会有哪些前瞻揭秘？10月18日下午，2016 世界人工智能大会技术论坛，答案将逐层揭晓。新智元智库院长圆桌汇集了中国人工智能产学研三界最豪华院长阵容：美团技术学院院长刘江担任主持人，微软亚洲工程院院长刘震、IBM中国研究院副院长邵凌、360人工智能研究院院长颜水成、北京理工大学计算机学院副院长黄华、Intel 中国研究院院长宋继强、新华网融媒体未来研究院院长杨溟联袂出席。2016世界人工智能大会技术论坛议程扫描二维码购票：购票链接：/go/aiworld2016
TA的最新馆藏
喜欢该文的人也喜欢}