给定sklearn.neural_network和Keras使用Sequential和Dese节点进行的简单深度学习，数学上是否相同只是两个具有计算优化功能的API？是的，Keras支持Tensor，还可以利用GPU，并且允许使用CNN和RNN等复杂模型。然而，它们在数学上是相同的吗？在给定相同的超参数、随机状态、输入数据等的情况下，我们**会产生相同的结果吗？
否则除了计算效率，什么制造商Keras是一个更好的选择？
zhte4eai1#
我不认为他们会给予你完全相同的结果，因为即使在pytorch和tensorflow中，两个相同操作的内部实现也是不同的。Keras更好的选择是生态系统。你有DataLoaders，它可以批量加载所需格式的复杂数据，然后你有Tensorboard，你可以看到模型训练，然后你有预处理功能，特别是数据增强。在TF/Keras中，你现在甚至有数据增强层，在PyTorch中，Torchvision在Transforms中提供了这一功能。然后你有了灵活性。你可以定义什么类型的层以什么顺序你想要的，什么应该是层的初始化器，你是否想要层之间的批量范数，你是否想要层之间的丢弃层，什么应该是隐藏层的激活你可以在1层中具有relu而在其他层中具有tanh，你可以定义你的正向传递应该如何存在，等等。然后你有回调来定制训练体验，等等。
1条答案
按热度按时间zhte4eai1#
我不认为他们会给予你完全相同的结果，因为即使在pytorch和tensorflow中，两个相同操作的内部实现也是不同的。
Keras更好的选择是生态系统。你有DataLoaders，它可以批量加载所需格式的复杂数据，然后你有Tensorboard，你可以看到模型训练，然后你有预处理功能，特别是数据增强。在TF/Keras中，你现在甚至有数据增强层，在PyTorch中，Torchvision在Transforms中提供了这一功能。然后你有了灵活性。你可以定义什么类型的层以什么顺序你想要的，什么应该是层的初始化器，你是否想要层之间的批量范数，你是否想要层之间的丢弃层，什么应该是隐藏层的激活你可以在1层中具有relu而在其他层中具有tanh，你可以定义你的正向传递应该如何存在，等等。然后你有回调来定制训练体验，等等。