对于神经网络使用张量流是否有任何优势

Question

我已经使用Numpy和scipy实现了神经网络。优化。基本上我使用前馈和后向传播创建了Cost函数和渐变，然后将我的输入（特征），输出（标签）和权重提供给Scipy Optimize以最小化成本函数。

现在我遇到了PyBrain和Tensorflow。在Tensorflow中，据我所知，我们需要实现相同的前馈和后向传播，然后使用Tensorflow模块进行优化。因此看起来编程的复杂性几乎相同。我错过了什么，或者我的理解不正确？否则，使用Tensorflow有什么好处吗？

python中实现神经网络的最佳实践是什么。我应该去Pybrain还是Tensorflow，或者尝试自己实现。

Answer 1

Tensorflow具有 3优点：

<强> 1。附带用于网络可视化的Tensorboard ：

这可能是Tensorflow吸引开发者的主要原因。易于可视化甚至复杂的神经网络。 Check Tensorboard here!

<强> 1。不断发展：

Tensorflow相对较新，但发展迅速。所有算法都是由专家编写的 新版算法已更新。事实上，Google在其项目中使用它，因此您可以非常确定它们是可以找到的最佳算法版本之一。

的 2。使用占位符创建整个网络：

占位符使我们能够分离网络配置阶段和评估阶段。 虽然它可能看起来像是一种开销，但实际上有助于扩展网络而不进行任何修改。

因此，如果您现在或将来使用，如果您想将其扩展为大数据集肯定是Tensorflow

您可以继续使用Tensorflow或其他内容，但我建议您尝试Tensorflow。

Answer 2

是的，有点。 TensorFlow在营销方面比Torch和Theano等开源市场的长期参与者更好。

1. 来自谷歌等庞大公司的支持对TensorFlow来说是一个巨大的优势。
2. TensorFlow比Theano和Torch具有更好的计算图形可视化。
3. TensorFlow和Theano在二阶梯度微分方面更胜一筹。
4. Theano和Torch更多是深度学习R＆amp; D框架，但TensorFlow既是R＆amp; D又是部署框架。
5. Tensorflow是python。
6. Tensorflow在大型GPU集群培训方面具有潜在的优势。

与其竞争对手同时 - 1. Theano在许多方面仍然比TensorFlow更快，并支持更广泛的操作。 2.火炬比Theano和TensorFlow更适合调试。

如果您想获得使用Tensorflow的灵感，就像我一样，请注意https://www.youtube.com/watch?v=nWJZ4w0HKz8