使用scikit-learn进行深度学习

最新推荐文章于 2024-07-28 21:49:23 发布

weixin_26752075

最新推荐文章于 2024-07-28 21:49:23 发布

阅读量2k

点赞数 2

文章标签： python 深度学习人工智能机器学习算法

原文链接：https://towardsdatascience.com/deep-learning-with-scikit-learn-1de142d96118

版权

本文介绍了scikit-learn在深度学习方面的局限性，并推荐了scikit-neuralnetwork作为替代方案。scikit-neuralnetwork弥补了scikit-learn在神经网络定制、GPU支持等方面的不足，同时保持与scikit-learn生态系统的兼容性，支持卷积神经网络和流水线。然而，对于递归神经网络（如LSTM或GRU），建议使用PyTorch或TensorFlow。

摘要由CSDN通过智能技术生成

scikit-learn中的神经网络 (Neural Networks in scikit-learn)

scikit-learn is my first choice when it comes to classical Machine Learning in Python. It has a good set of algorithms, supports sparse datasets, it is fast and has many utility functions, like cross-validation, grid search, etc.

scikit-learn是我在使用Python进行经典机器学习时的首选。它具有一套很好的算法，支持稀疏数据集，它速度快并且具有许多实用功能，例如交叉验证，网格搜索等。

When it comes to advanced modeling, scikit-learn many times falls shorts. If you need Boosting, Neural Networks or t-SNE, it is better to avoid scikit-learn.

当涉及到高级建模时，scikit-learn很多时候都不够用。如果您需要Boosting，神经网络或t-SNE，最好避免使用scikit-learn。

scikit-learn has two basic implementations for Neural Nets. There is MLPClassifier for classification and MLPRegressor for regression. While both have a rich set of arguments, there isn’t an option to customize layers of a Neural Network (beyond setting the number of hidden units for each layer). There is also no GPU support.

scikit-learn有两个神经网络的基本实现。有用于分类的MLPClassifier和用于回归的MLPRegressor。尽管两者都具有丰富的参数集，但是无法选择自定义神经网络的层(除了为每个层设置隐藏单元的数量之外)。也没有GPU支持。