数据分析模型20种 如何提高keras模型预测速度？
如何提高keras模型预测速度？
一旦确定了keras模型，不修改keras框架的源代码就不会有任何改变。唯一的出路是扩大GPU。
一般情况下，我们只能尝试修改模型结构、量化剪枝等方式，自行修改框架源代码，没有必要。
通常，为了加快模型的预测速度，只需加载一次模型即可。
当模型的预测时间过长时，通常采用减少卷积核、减少卷积核数、增加步长、增加池单元等方法。一些参数较少的主干也可能被替换。
或者考虑使用移动终端分离卷积和空穴卷积。
最后，默认情况下，我们的模型由floaf32的精度表示，可以适当量化。它以16位、8位甚至2位精度表示。只要模型的精度不显著降低，且满足使用场景，则是合理的。
如果您在这方面还有其他问题，请关注我，一起学习。
Keras还是TensorFlow，程序员该如何选择深度学习框架？
如果您想用少量代码尽快构建和测试神经网络，keras是最快的，而且顺序API和模型非常强大。而且keras的设计非常人性化。以数据输入和输出为例，与keras的简单操作相比，tensorflow编译码的构造过程非常复杂（尤其对于初学者来说，大量的记忆过程非常痛苦）。此外，keras将模块化作为设计原则之一，用户可以根据自己的需求进行组合。如果你只是想快速建立通用模型来实现你的想法，keras可以是第一选择。
但是，包装后，keras将变得非常不灵活，其速度相对较慢。如果高度包装，上述缺点将更加明显。除了一些对速度要求较低的工业应用外，由于tensorflow的速度较高，因此会选择tensorflow
如果您在验证您的想法时，想定义损失函数而不是使用现有的设置，与keras相比，tensorflow提供了更大的个性空间。此外，对神经网络的控制程度将在很大程度上决定对网络的理解和优化，而keras提供的权限很少。相反，tensorflow提供了更多的控制权，比如是否训练其中一个变量、操作梯度（以获得训练进度）等等。
尽管它们都提供了深度学习模型通常需要的功能，但如果用户仍然追求一些高阶功能选择，例如研究特殊类型的模型，则需要tensorflow。例如，如果您想加快计算速度，可以使用tensorflow的thread函数来实现与多个线程的相同会话。此外，它还提供了调试器功能，有助于推断错误和加快操作速度。
数据分析模型20种 keras实现rnn ordered probit模型
版权声明：本文内容由互联网用户自发贡献，本站不承担相关法律责任.如有侵权/违法内容,本站将立刻删除。
