小程序框架对比,前端框架对比怎么写,小程序开发框架 对比

　　1.数据结构tensorflow:张量——相当于n维数组或列表，维度可变，数据类型一旦定义就不可改变。caffe:Blob——存储的数据可以看作是一个n维c数组，有四个维度(n，k，h，w)，一个Blob中有两个数据空间用来存储向前和向后的导数数据。

　　2.开发语言tensorflow：c/CUDA/Pythoncaffe：c/CUDA

　　3.支持接口tensorflow：c/Pythoncaffe：c/Python/Matlab

　　4.支持模型tensorflow：CNN/RNN/和其他通用机器学习模型caffe：CNN。

　　5.易于使用tensorflow：中等至高caffe：中等

　　6.安装难度tensorflow：容易caffe：中等

　　7.社区(改bug)tensorflow：齐全，改bug很容易。caffe：很全。可以找到各种bug的原因和解决方法，改bug非常容易。

　　8.tensorflow：符号计算法的网络构建。其程序分为计算构建阶段和执行阶段。构建阶段是构建计算图(类似于数据流程图)，执行阶段启动session的运行，执行图caffe：定义的函数(流程)计算方法。它首先将函数按照每个大函数(可视化、损失函数、非线性激励、数据层)进行分类并对部分函数实现相应的父类，然后将特定函数实现为子类，或者直接继承层类，从而形成了XXXLayer的形式。最后，将不同的层组合成网。

　　9.分布式训练tensorflow：不支持多机分布式训练，支持多gpu和数据并行训练。通过用tf.device(/gpu:2/gpu: 2 )调用，意味着下一个操作要在gpu2上处理。caffe：不支持多机分布式训练，支持多GPU和数据并行训练。调用两个gpu0 0和1是通过在执行指令后直接加-gpu 0，1来表示的。如何将卷积网络放在多gpu上训练：

　　并行数据模型并行。并行模型是指将一个完整的网络切割成不同的块，在不同的GPU上执行，每个GPU可能只处理某个图的四分之一。并行模式因为显存不足无法容纳全网的数据，但是现在gpu的功能和性能都有所提升，一个gpu已经可以解决显存不足的问题。此外，并行模型会产生额外的通信开销，因此开源框架采用数据并行来提高并行性。10.反向传播tensorflow：支持自动求导，反向传播不需要自定义求解梯度。caffe：要求用户自己写C或者CUDA。

　　[1]正向运算，从输入数据计算输出结果，即模型的预测过程[2]反向运算，从输出端相对于输入梯度11的梯度求解。定位网络每层Layer 定义两种运算google的痴情钟，由伯克利大学博士贾编写，可用于语音识别或图像识别等多个领域的深度学习。

　　综合评价

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。