|
例如Caffe定义中最基本的隐层网络，其定义如下：
- name: “LogReg”
- layers {
- name: “mnist”
- type: DATA
- top: “data”
- top: “label”
- data_param {
- source: “input_leveldb”
- batch_size: 64
- }}
-
- layers {
- name: “ip”
- type: INNER_PRODUCT
- bottom: “data”
- top: “ip”
- inner_product_param {
- num_output: 2
- }}
-
- layers {
- name: “loss”
- type: SOFTMAX_LOSS
- bottom: “ip”
- bottom: “label”
- top: “loss”
- }
Caffe优势
-
Caffe作为一个开源的框架，其表达式的结构得到很多研究学者的喜爱，因为其可以鼓励更过的人去进行创新、修改完善及实际应用。在框架中，网络的模型、设计和优化过程都是指令来调用和执行，不像其他工具框架，需要通过硬编码来获取相应的操作。而且在Caffe应用中可以使用CPU中央处理器和GPU图形图像处理器进行学习，而且两个处理器可以来回切换，只要通过在GPU机器上设置一个指令就可以，而且GPU的使用在普遍增加，因为其可以给予网络的训练速度，减少训练的时间，提高网络的训练效率，进一步对网络进行微调。
-
开源框架的好处就是可以被大家扩展，所以Caffe促进了其自身的开发，在贾扬清创建Caffe之后，仅在一年时间里，就已经有上千位研究爱好者参加了开发，而且他们都做出了很大的贡献才会有现在完善的深度学习框架，现在该框架还在不断进行优化和发展。
-
上手快，因为网络模型不需要用代码的形式表现出来，只需要通过文本形式表现，并且Caffe框架中已定义了该模型。
-
Caffe的出现特征事宜学校机构的实验室和工业相关部门的使用。因为Caffe与英伟达GPU合用，可以达到很高的效率。曾有过一个实验，用一台英伟达生产的K40图形图像处理器去训练图片，一天下来可以执行六千万以上的训练图像。现在其表现的速度，在常用的深度学习框架中，可以算得上最快的框架之一。
-
方便快速地使用到其他任务重，因为Caffe已经定义了各层的类型，只需通过简单调用来定义自己设计的网络模型即可。
TF
Google在2011年推出人工深度学习系统——DistBelief。通过DistBelief，Google能够扫描数据中心数以千计的核心，并建立更大的神经网络。这个系统将Google应用中的语音识别率提高了25%，以及在Google Photos中建立了图片搜索，并驱动了Google的图片字幕匹配实验。DistBelief还存在不少不足和限制。它很难被设置，和Google内部的基础设施联系也过于紧密，这导致研究代码机会不可能分享。
针对以上问题，Google在2015年Google Research Blog宣布推出新一代人工智能学习系统——TensorFlow。
TensorFlow是一个异构分布式系统上的大规模机器学习框架，移植性好（小到移动设备如手机，大到大规模集群，都能支持），支持多种深度学习模型。根据Google说法，TensorFlow是综合的、灵活的、可移植的、易用的，更为关键的，它是开源的。同时，TensorFlow的速度相比前代DistBelief有了不小的提升，在一些跑分测试中，TensorFlow的得分是第一代系统的两倍。
尽管如此，TensorFlow的效率仍然比不过其他大部分开源框架。不过，随着TensorFlow源码逐步开放，对新硬件、新设备、新的加速如cuDNN的支持力度不断提升，其成为目前极具潜力的深度学习。
（编辑：核心网）
【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!
|
