溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
本篇文章為大家展示了PyTorch1.3和TensorFlow 2.0的示例分析，內容簡明扼要并且容易理解，絕對能使你眼前一亮，通過這篇文章的詳細介紹希望你能有所收獲。
盡管如此，我還是認為PyTorch對研究者更加友好，更適合快速實現新方法，并且改進了與C++的兼容性。TensorFlow的優勢仍然是Google生態系統（TFLite，Android的TFLite，TPU等）的集成。但是，無論我使用哪個，仍然存在很多問題，這些問題主要與Python相關。
PyTorch聲稱它不是用于C++框架的API，然而，一旦構建它，和Cython以及Numba一起使用，就可以了。如果我們通過名為TensorFlow.jl的Julia API 使用TensorFlow，那么我們就不再面臨任何懸而未決的問題，因為Julia的內存管理要好得多。
更一般而言，深度學習模型的許多緩慢現象是由內存I/O引起的。不管我們是做對象檢測還是關鍵點注釋，以及想要實時顯示，這些幾乎都沒問題。只需考慮在視頻流上運行的任何內容。與加快應用于此的深度學習模型速度相比，克服內存I/O問題要付出更多的努力（這是我的部分日常工作）。
那么，深度學習框架發展會走向何方呢？自動區分仍然是一個巨大的問題，尤其是對于真正罕見的功能。使用Swift進行TensorFlow實驗，PyTorch？誰知道呢，他們要往哪里前進。
我不是C++的忠實擁護者（我更喜歡C而不是C++），因為它容易出錯，可能導致安全問題。即使人們可能傳輸了所有的編碼采訪而構建了有缺陷的C++軟件（是的，我強烈反對編碼采訪），人們還是應該正確地學習它，反復強調是無濟于事的。
在HPC（高性能計算）中，許多軟件已經或者正從FORTRAN遷移到C++，我不明白。因為將經過良好測試的FORTRAN代碼遷移到（未經測試的）C++對我來說沒有任何意義。改變一種編程語言到另一種極其相似的語言，為什么多此一舉？我仍然認為，從長遠來看，Rust（適用于系統級和GUI的所有產品）和Julia（適用于機器學習）的組合將獲得成功。
目前正在使用的是什么？好吧，我已經從TensorFlow/Keras切換到以PyTorch為主，因為我需要太多的自定義/非標準功能。但這并不意味著我不再使用TensorFlow/Keras。在2020年，我希望朝著僅使用Julia框架邁進。
上述內容就是PyTorch1.3和TensorFlow 2.0的示例分析，你們學到知識或技能了嗎？如果還想學到更多技能或者豐富自己的知識儲備，歡迎關注億速云行業資訊頻道。
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
