TensorFlow มีข้อเสนออะไรเพิ่มเติมสำหรับ keras?

ฉันทราบว่า keras ทำหน้าที่เป็นอินเทอร์เฟซระดับสูงเพื่อ TensorFlow

แต่สำหรับฉันแล้ว keras สามารถทำหน้าที่ได้หลายอย่างด้วยตัวเอง (การป้อนข้อมูลการสร้างแบบจำลองการฝึกอบรมการประเมินผล)

นอกจากนี้ฟังก์ชันการทำงานบางอย่างของ TensorFlow สามารถส่งโดยตรงไปยัง keras (เช่นเป็นไปได้ที่จะใช้ฟังก์ชัน tf metric หรือ loss เป็น keras)

คำถามของฉันคืออะไร TensorFlow ข้อเสนอที่ไม่สามารถทำซ้ำใน keras?

กรอบการเรียนรู้ลึกดำเนินการใน 2 ระดับของสิ่งที่เป็นนามธรรม:

• ระดับล่าง : นี่คือตำแหน่งที่เฟรมเวิร์กเช่น Tensorflow, MXNet, Theano และ PyTorch นั่ง นี่คือระดับที่การดำเนินการทางคณิตศาสตร์เช่นการคูณเมทริกซ์เมทริกซ์ทั่วไปและการพื้นฐานของโครงข่ายใยประสาทเทียมเช่นการดำเนินการ Convolutional
• ระดับที่สูงขึ้น : นี่คือที่ที่เฟรมเวิร์กเหมือน Keras นั่ง ในระดับนี้ระดับพื้นฐานดั้งเดิมจะใช้ในการสร้างโครงข่ายประสาทเทียมเช่นเลเยอร์และแบบจำลอง โดยทั่วไปในระดับนี้ API ที่เป็นประโยชน์อื่น ๆ เช่นการประหยัดรูปแบบและการฝึกอบรมรูปแบบก็จะถูกนำมาใช้เช่นกัน

คุณไม่สามารถเปรียบเทียบ Keras และ TensorFlow ได้เนื่องจากมันอยู่ในระดับที่เป็นนามธรรม ฉันต้องการใช้โอกาสนี้เพื่อแบ่งปันประสบการณ์การใช้ Keras ด้วย:

• ฉันไม่ยอมรับว่า Keras มีประโยชน์สำหรับการเรียนรู้ขั้นพื้นฐานขั้นพื้นฐานเท่านั้น Keras เป็น API ที่เขียนอย่างสวยงาม ลักษณะการทำงานของ API ช่วยให้คุณสมบูรณ์และออกนอกเส้นทางของคุณสำหรับแอปพลิเคชันที่แปลกใหม่มากขึ้น Keras ไม่ได้บล็อกการเข้าถึงเฟรมเวิร์กระดับล่าง
• Keras ส่งผลให้สามารถอ่านและรวบรัดรหัสได้มากขึ้น
• Keras model Serialization / Deserialization API, callback และ data streaming โดยใช้ Python generators นั้นมีความเป็นผู้ใหญ่มาก
• Keras ได้รับการประกาศให้เป็นทางการในระดับสูงอย่างเป็นทางการสำหรับ TensorFlow

หากคุณใช้ TensorFlow เป็นแบ็กเอนด์ของคุณเป็น keras พวกเขาแบ่งปันฟังก์ชั่นเดียวกันมากกว่าหรือน้อยกว่า ผ่านkeras.backendฟังก์ชั่นการเข้าถึง TensorFlow ในขณะที่ผ่านtf.kerasการเข้าถึง API ของ keras ผ่าน TensorFlow

เนื่องจากเป็นกรณีนี้ฉันขอแนะนำให้คุณติดกับ keras และหากคุณพบบางสิ่งที่ขาดหายไป (เช่นฟังก์ชั่นการวัดหรือการสูญเสีย) คุณสามารถนำเข้ามันผ่าน TensorFlow

Keras อย่างที่คุณบอกว่ามีฟังก์ชั่นทั้งหมด แต่นอกกรอบมันจะทำงานบน CPU เท่านั้น ด้วยการเสียบแบ็กเอนด์เช่น TensorFlow หรือ CNTK (ที่ฉันชอบเป็นการส่วนตัว) คุณจะปลดล็อกพลังของ GPU ซึ่งสามารถเร่งภาระงาน ML ได้อย่างมหาศาลโดยเฉพาะอย่างยิ่งภาระงาน DL หากคุณไม่มี GPU แบบแยกคุณจะได้รับประโยชน์น้อยที่สุด

ในทางปฏิบัติส่วนใหญ่คุณสามารถตั้งค่าแบ็กเอนด์และลืมมันไปได้และทำงานได้อย่างสมบูรณ์ภายใน Keras หรือแม้แต่สลับแบ็กเอนด์ของคุณไปเป็นอีกแบบหนึ่งและเปรียบเทียบประสิทธิภาพ ดังนั้นไม่จำเป็นต้องเรียนรู้ข้อมูลเฉพาะของ TF เว้นแต่คุณต้องการรหัสโดยตรงในระดับที่ต่ำกว่า

เนื่องจาก TensorFlow เป็นไลบรารีระดับต่ำกว่า Keras โดยทั่วไปคุณจะเห็นว่าข้อเสนอนี้มีความยืดหยุ่นและประสิทธิภาพที่เพิ่มขึ้น (แม้ว่าจะค่อนข้างน้อยขึ้นอยู่กับว่าคุณเขียนโค้ดของคุณอย่างไร) ฉันจะบอกว่าถ้าคุณอยู่ในการวิจัยหรือพัฒนาโครงข่ายประสาทชนิดใหม่ความรู้เกี่ยวกับ TensorFlow จะมีประโยชน์มาก นอกเหนือจากนั้นคุณควรจะพอใจกับ Keras แม้ว่าการเข้าใจว่า TensorFlow ทำงานอย่างไรยังคงมีประโยชน์หากคุณใช้มันเป็นแบ็กเอนด์

อย่างไรก็ตามเมื่อไม่นานมานี้ฉันได้อ่านว่า Keras และ TensorFlow จะรวมตัวกันมากขึ้นซึ่งจะทำให้ชีวิตของคุณง่ายขึ้นมาก

เห็นได้ชัดว่านี่เป็นเพียงมุมมองส่วนตัวของฉันดังนั้นฉันอยากจะแนะนำคุณไปยังบทความพิเศษเพื่อให้คุณสามารถอ่านของคุณเอง การสนทนาเกี่ยวกับ Kaggleนี้ให้ภาพรวมที่ดีของการขัดแย้งและเมื่อใดควรใช้ โพสต์ปานกลางในหัวข้อนี้

ผู้เริ่มต้นทุกคนมีแบบสอบถามนี้ ดูเหมือนว่า Keras จะแก้ปัญหาฟังก์ชั่นพื้นฐานเช่นการป้อนข้อมูลการสร้างแบบจำลองการฝึกอบรมการประเมินผลในโค้ดที่น้อยลง

แต่เมื่อคุณเริ่มพัฒนาโมเดล ML ตั้งแต่เริ่มต้นคุณจะรู้ว่าคุณสามารถตั้งโปรแกรมคณิตศาสตร์จำนวนมากใน NN และไลบรารีเทนเซอร์โฟลว์มีฟังก์ชันและการควบคุมมากมายที่ทำให้แนวคิดเหล่านั้นเป็นจริงได้ มุมมองทางคณิตศาสตร์ของการเรียนรู้สามารถมองเห็นได้ง่ายและทำโดยใช้ NN ทำโดยใช้ TF