2016 - 2024

感恩一路有你

tensorboard可视化 Keras还是TensorFlow,程序员该如何选择深度学习框架?

浏览量:1696 时间:2021-03-12 10:42:47 作者:admin

Keras还是TensorFlow,程序员该如何选择深度学习框架?

如果您想用少量的代码尽快地构建和测试神经网络,keras是最快的,而且sequential API和model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。

多个线程可以读一个变量,只有一个线程可以对这个变量进行写,到底要不要加锁?

下面简要说明以下原因:

锁定是因为操作不是原子的。让我们用操作一来解释它。看下面两个图。

我这个操作需要

看上面的第二个图,你能很清楚地理解这个过程吗?

锁定是为了确保上述三个步骤是原子操作。

回到问题上来,只有一个线程要写,没有竞争,所以不需要锁定。

但是,如果你看第一张图片,因为主内存和本地内存的存在

在一个线程写入后,其他线程无法立即看到它。这就是可见性问题。

添加volatile关键字后,它将在操作后强制工作内存和主内存同步,以确保其他线程可以立即看到它。

tensorboard可视化 python for循环 tensorflow怎样传递变量

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。