- 该框架支持多种语言，如C ++，Python，R，Julia，JavaScript，Scala，Go，甚至Perl 。
- 可以在多个GPU和许多机器上非常有效地并行计算 。
- 支持多个GPU（具有优化的计算和快速上下文切换）
- 清晰且易于维护的代码（Python，R，Scala和其他API）
- 快速解决问题的能力（对于像我这样的深度学习新手至关重要）
GLUON
文章插图
Gluon是一个更好的深度学习框架，可以用来创建复杂的模型 。GLUON基本特性：
- Gluon的特殊性是具有一个灵活的界面，简化了原型设计，构建和培训深度学习模型，而不会牺牲学习速度 。
- Gluon基于MXNet，提供简单的API，简化深度学习模型的创建 。
- 与PyTorch类似，Gluon框架支持使用动态图表，将其与高性能MXNet相结合 。从这个角度来看，Gluon看起来像是分布式计算的Keras非常有趣的替代品 。
- 在Gluon中，您可以使用简单，清晰和简洁的代码定义神经网络 。
- 它将训练算法和神经网络模型结合在一起，从而在不牺牲性能的情况下提供开发过程的灵活性 。
- Gluon可以定义动态的神经网络模型，这意味着它们可以动态构建，使用任何结构，并使用Python的任何本机控制流 。
文章插图
当你听到Swift时，您可能会考虑iOS或macOS的应用程序开发 。但是如果你正在学习深度学习，那么你一定听说过Swens for Tensorflow 。通过直接与通用编程语言集成，Swift for TensorFlow可以以前所未有的方式表达更强大的算法 。SWIFT基本特性：
- 可以轻松获得可微分的自定义数据结构 。
- 下一代API。通过实践和研究获得的新API更易于使用且更强大 。
- 在TensorFlow的基础上，Swift API为您提供对所有底层TensorFlow运算符的直接调用 。
- 基于Jupyter、LLDB或者Swift in Colab的编程工具提高了您的工作效率 。
- 如果动态语言不适合您的任务，那么这将是一个很好的选择 。当你训练运行了几个小时，然后你的程序遇到类型错误，那么使用Swift，一种静态类型语言 。您将看到代码错误的地方 。
文章插图
直到CMU的DyNet和Facebook的PyTorch出现之前，Chainer是动态计算图或网络的领先神经网络框架，它允许输入数据长度不一致 。chainer基本特性：
- Chainer代码是在Numpy和CuPy库的基础之上用纯Python编写的，Chainer是第一个使用动态架构模型的框架 。
- 通过自己的基准测试，Chainer明显比其他面向Python的框架更快，TensorFlow是包含MxNet和CNTK的测试组中最慢的 。
- 比TensorFlow更好的GPU和GPU数据中心性能 。最近Chainer成为GPU数据中心性能的全球冠军 。
文章插图
那些使用Java或Scala的人应该注意DL4J（Deep Learning for Java的简称） 。DL4J的基本特性：
- DL4J中的神经网络训练通过簇的迭代并行计算 。
- 该过程由Hadoop和Spark架构支持 。
- 使用Java允许您在Android设备的程序开发周期中使用 。
- 如果您正在寻找一个良好的Java深度学习框架，这会是一个非常好的平台 。
文章插图
ONNX项目诞生于微软和Facebook，旨在寻找深度学习模型呈现的开放格式 。ONNX简化了在人工智能的不同工作方式之间传递模型的过程 。因此ONNX具有各种深度学习框架的优点 。ONNX基本特性：
- ONNX使模型能够在一个框架中进行训练并转移到另一个框架中进行推理 。ONNX模型目前在Caffe2，Microsoft Cognitive Toolkit，MXNet和PyTorch中得到支持，并且还有许多其他常见框架和库的连接器 。
- 对于PyTorch开发人员来说，ONNX是一个好的选择 。但是对于那些喜欢TensorFlow的人来说，Keras等可能好一点 。
那么您应该使用哪种深度学习框架？下面是几点建议：
![[乐居网]下半年市场或将会回归常态，疫情对陕西房产市场冲击较大](https://imgcdn.toutiaoyule.com/20200425/20200425074028636576a_t.jpeg)