Искусственный интеллект

Нужно ли иметь магистров или докторов наук, чтобы попасть в ведущие исследовательские группы AI / ML, такие как FAIR или DeepMind?

Любит | Нелюбов | Ответы | Вид | 4943


Ян ЛеКун работает в Facebook AI Research   
@ | Обновлено Right Now


Большинство людей, которые знают меня, знают, что я ненавижу Tensorflow

Я просто не рекомендую это, я ненавижу это. Я умоляю вас , чтобы не использовать Tensorflow. Использование этого просто продлевает неизбежную смерть и добавляет путаницы, как этот вопрос. Сообществу искусственного интеллекта будет намного лучше с исчезновением Tensorflow. Единственная причина, по которой он используется, - это бренд Google.

ЕДИНСТВЕННАЯ ПРИЧИНА, ЧТО ИСПОЛЬЗУЕТСЯ = GOOGLE BRAND-GOO-GOO-NOOB-NOOB

По ВСЕМ причинам, по которым вы выбираете язык, я чувствую, что Tensorflow не работает по большинству причин, о которых я могу подумать. Например: интуитивно понятная обработка исключений, процесс установки, производительность, масштабирование с использованием нескольких графических процессоров, производительность нескольких узлов, сложность кода, возможность идти в ногу с последними и лучшими усовершенствованиями Nivida. Если бы я был профессором, а один из моих учеников написал Tensorflow, я бы хотел их подвести. Видишь, как сильно я это ненавижу?

Keras с другой стороны , это лучшая платформа для начинающих руки вниз. По иронии судьбы, создатель Keras , Франсуа Шоле , работает в Google (Tensorflow). Он отличный разработчик. Его код интуитивно понятен, это имеет смысл. Есть причина, по которой Keras так же популярен, как и сейчас, и ей не нужно было, чтобы бренд Google навязывал ему свои слова.

С Keras вы можете использовать несколько бэкэндов. К сожалению, бэкэнд по умолчанию - Tensorflow, и один из моих любимых, Theano, больше не выпускается. Хорошей новостью является то, что у вас есть другие бэкэнды, такие как CNTK и MXNET. Я играл с бэкэндом MXNET, и это было здорово. Производительность и масштабирование нескольких графических процессоров были очень интуитивными.

Я ждал их весь год, чтобы привести его в соответствие с Keras 2.2, и они наконец-то сделали это. Я думаю, вы увидите, что большинство людей теперь переключают серверную часть Keras:

Анонсирован Keras-MXNet v2.2 - Apache MXNet - Средний

awslabs / keras-апаш-mxnet

Для Кераса также есть хорошая книга автора:

https: //www.amazon.com/Deep-Lear ...

** PyTorch : я думаю, что Keras дальше вместе с некоторыми из их функциональности. Модифицировав Keras для создания пользовательских вещей, я думаю, что это очень легко изменить. Я не модифицировал PyTorch, но когда я работал с Torch ... Мне не нравился Torch, поэтому, может быть, поэтому я колебался. Какой аргумент вы бы назвали для PyTorch помимо производительности? Я получаю всю необходимую производительность с моей рекомендацией MXNET.

| |