深度学习框架：PyTorch与TensorFlow

并不是所有的回归或分类问题都需要通过深度学习来解决。 因此， 机器学习并不需要解决每个回归或分类问题。 毕竟，许多数据集都可以通过分析或简单的统计程序进行建模。

另一方面，在某些情况下，深度学习或深度转移学习可以帮助您训练比创建任何其他方法都更准确的模型。 对于这些情况，PyTorch和TensorFlow可能会非常有效，尤其是如果已经有与框架模型库中所需模型相似的训练模型。

[理解机器学习的意义： 人工智能，机器学习和深度学习：您需要知道的一切 。 | 机器学习的解释 。 | 机器学习算法的解释 。 | 深度学习解释了 。 | 通过InfoWorld大数据和分析报告时事通讯深入了解分析和大数据。 ]

火炬

PyTorch建立在较旧的Torch和Caffe2框架上。 您可能会从名称中猜到，PyTorch使用Python作为其脚本语言，并使用经过改进的Torch C / CUDA后端。 Caffe2的生产功能已合并到PyTorch项目中。

PyTorch被称为“具有强大GPU加速功能的Python中的张量和动态神经网络”。 那是什么意思？

[找出为什么更多的Java开发人员选择Python进行机器学习 ，并开始使用基于Python的开发堆栈。 ]

张量是一种数学构造，在物理学和工程学中大量使用。 秩为2的张量是一种特殊的矩阵。 取一个带有张量的向量的内积会产生另一个具有新大小和新方向的向量。 TensorFlow的名字来自于张量（具有突触权重）在其网络模型中的流动方式。 NumPy也使用张量，但将它们ndarray 。

GPU加速是大多数现代深度神经网络框架的要求。 动态神经网络是一个可以在迭代之间变化的网络，例如，允许PyTorch模型在训练期间添加和删除隐藏层，以提高其准确性和通用性。 PyTorch会在每个迭代步骤动态地重新创建图形。 相反，TensorFlow默认情况下