(三）了解和运行简单的深度学习模型

Wmpreturn

已于 2023-08-24 10:33:02 修改

阅读量206

点赞数

分类专栏： Linux系统和环境搭建简介文章标签：深度学习人工智能

于 2023-08-16 09:17:51 首次发布

本文链接：https://blog.csdn.net/weixin_48060069/article/details/132297632

版权

Linux系统和环境搭建简介专栏收录该内容

6 篇文章 1 订阅

订阅专栏

1、发展历程

1、TensorFlow

TensorFlow是一个端到端开源机器学习平台，使用数据流图进行数值计算，图中的节点代表数学运算，而图中的边则代表在这些节点之间传递的张量。TensorFlowi支持oythonJavaScript、C++、Java和Go, C#和julia等多种编程语言，让用户可以快速设计深度学习网络，将底层细节进行抽象；灵活的架构支持多GPU、分布式训练，跨平台运行能力强。

2、PyTorch

PyTorch：在2017年，Torch的幕后团队推出了PyTorch。PyTorch不是简单地封装Lua Torch提供Python接口，而是对Tensor之上的所有模块进行了重构，并新增了最先进的自动求导系统，成为当下最流行的动态图框架之一。

PyTorch是与Python相融合的具有强大的GPU支持的张量计算和动态神经网络的框架。它由Facebook创建，目前被广泛应用于学术界和工业界。Pytorch可以与NumPy,SciPy等可以无缝连接。

3、Apache MXnet

Apache MXnet是为了提高效率和灵活性而设计的深度学习框架。它允许使用者将符号编程和命令式编程混合使用，从而最大限度地提高效率和生产力。它拥有类似于Theano和TensorFlow的数据流图，为多GPU配置提供了良好的配置。

同样的模型，MXNt往往占用更小的内存和显存，并且在分布式环境下扩展性能出色，可有效扩展到多个GPU和多台机器。

4、PaddlePaddle

PaddlePaddle（平行分布式深度学习）是一个易于使用的高效、灵活、可扩展的深度学习平台。

它最初是由百度科学家和工程师们开发的。

 功能上，PaddlePaddle同时支持动态图和静态图，能方便地调试模型，方便地部署，非常适合业

务应用的落地实现。在图像识别、语音识别、自然语言处理、机器人、网络广告投放、医学自动诊

断和金融等领域有着广泛应用

5、Caffe(Convolutional Architecture for Fast Feature Embedding)

Caffe是一个流行的深度学习框架。
最初由加州大学伯克利分校开发，专注于卷积神经网络(CNN)在计算机视觉任务中的应用。Caffe以速度和效率为特点，适用于图像分类、目标检测、分割等视觉任务。
主要特点包括：
1.卷积优化：Caff®专门优化了卷积操作，使其在图像处理任务中表现出色，尤其在大规模图像数据集上的训练效率高。
2.静态计算图：类似于TensorFlow,Caffe使用静态计算图来定义模型结构和操作，有助于优化计算流程，但也限制了一些灵活性。
3.模型库：Caffe提供了预训川练模型库，如Caffe Model Zoo,方便开发者使用已训练好的模型，加速任务的实现。
4.多平台支持：Caffe支持CPU和GPU加速，并且能够在Linuxa和Windows等多种操作系统上运行。

常用的深度学习框架 / 不同框架的特点:

2、深度学习框架中的基本概念

1、层

在深度学习框架中，层(Layers))是模型的基本组成单元，用于实现特定的操作和功能。每个层都执行一些数学运算，将输入数据转换为输出，构建出整个神经网络的架构。不同类型的层用于不同的任务和模型架构。
全连接层：全连接层也称为密集层，将输入的所有节点连接到输出的每个节点，常用于图像分类、回归等任务。
卷积层：卷积层在输入数据上应用卷积操作，用于图像处理和计算机视觉任务。它可以捕获图像中的局部特征。
池化层：池化层用于减少图像尺寸，从而降低计算复杂度，同时保留关键特征。最大池化和平均池化是常见的池化方法。
循环层：循环层用于处理序列数据，如文本、时间序列。它们具有循环结构，能够在不同时间步共享参数，如循环神经网络(RNN)和长短时记忆网络(LSTM)。
嵌入层：嵌入层将高维离散数据（如单词）映射到低维连续向量空间，常用于自然语言处理任务中的词嵌入。

正则化层：正则化层用于提高网络的稳定性和收敛速度，如批正则化(BatchNormalization)和层正则化(Layer Normalization)。

2、深度学习框架中的CUDA核函数

在深度学习框架中，CUDA核函数是指在使用NVIDIA的GPU进行计算时，通过CUDA(Compute Unified Device Architecture)技术编写的并在GPU上执行的函数。CUDA核函数允许开发者利用GPU的并行计算能力来加速深度学习模型的训练和推理。
在使用深度学习框架时，开发者通常无需直接编写CUDA核函数，因为框架会提供高级的API和抽象来利用GPU加速。例如，TensorFlow:提供了tf.device0来指定在GPU上运行的操作，而PyTorch则支持.to0函数将张量移动到GPU上。

3、前后端

前端指的是框架的Python接口，它为用户提供了一组用于构建、训练和评估深度学习模型的工具。
前端接口使用Python编写，因此可以轻松与其他Python库集成（如numpys等）。

后端指的是框架的底层C++引擎，它负责执行前端指定的计算。后端引擎使用张量表示计算图的节点和边，并使用高效的线性代数运算和卷积运算来执行计算。
后端引擎也负责与底层平台（如GPU和CPU)进行交互，并将计算转换为底层平台能够执行的指令。

4、代码架构