مقدمه ای بر PyTorch در مقابل TensorFlow برای یادگیری عمیق

به طور گسترده ای شناخته شده است که PyTorch و TensorFlow دو فریمورک محبوب و تثبیت شده در یادگیری عمیق جامعه آنها برای دستیابی به دو عملکرد عملی مهم هستند: آنها یک دیگ بخار با استفاده آسان و در عین حال قابل تنظیم برای کدگذاری معماری های شبکه عصبی ارائه می دهند، و صفحه دیگ آنها در اطراف کدهای سطح پایین C ++ قرار می گیرد و محاسبات را بهینه می کند و سرعت می بخشد، به ویژه با پردازنده گرافیکی منابع

در عصر بدون PyTorch و TensorFlow، شبکه های عصبی برای یادگیری عمیق باید از ابتدا با استفاده از کتابخانه Numpy، یک کتابخانه رایج پایتون برای عملیات ماتریس/آرایه، کدگذاری شود. با دانش عملیات تانسور و معماری شبکه های عصبی، ساخت شبکه های عصبی را می توان با Numpy انجام داد، اما این می تواند به طور غیر ضروری دست و پا گیر باشد و محاسبات بدون آن کند است. پردازنده گرافیکی بهینه سازی با این وجود، ساختن مدل‌های یادگیری عمیق از ابتدا می‌تواند به ما کمک کند تا درک درستی از نحوه عملکرد شبکه‌های عصبی داشته باشیم.

من مبانی نظری را به تفصیل شرح داده‌ام و معماری شبکه‌های عصبی وانیلی را ساخته‌ام – چند لایه پرسپترون (MLP) – از ابتدا در Numpy در مقاله زیر، و من از شما دعوت می کنم قبل از درک API بالاتر برای ساخت شبکه های عصبی – PyTorch و TensorFlow آن را بخوانید. وبلاگ کامل را به صورت رایگان در Medium بخوانید.

منتشر شده از طریق به سمت هوش مصنوعی