vidარა, ნაკლებად
ჩემს მოთხოვნილებებს keras იც აკმაყოფილებს, თუმცა keras ი tensorflow ს იყენებს back end ზე
ისე კი უფრო დეტალური კონტროლი თუ გინდა რას აკეთებ ან სერვერზე prediction ის მოწყობა გინდა უნდა იცოდე tensorflow.
თუმცა სერვერზე prediction იც გაგვიშვია keras ის მოდელით და რავიცი მუშაობს ნორმალურად. 500-600mb ram კი მიაქვს ისე, ქართული ხელნაწერის ამცონობა(პმ გამოვუშვებ ლინკს თუ გაინტერესებს)
მე უფრო PyTorch ის ფანი ვარ
პითონურია უფრო.
ასე იყო სულ ცოტა ხნის წინ:
tensorflow:
წინასწარ უნდა გაიწეროს computational graph,
ანუ input როცა შეგაქვს მან რა ოპერაციები უნდა გაიაროს output ამდე ყველაფერი წინასწარ უნდა იცოდე.
მაგალითად:
1.სურათი შედის 1 კონვოლუციურ შრეში
2.შედეგი გადის pooling შრეში
3....
.....
10.softmax ან რამე რავი, გააჩნია
ხოდა ეს წინასწარ განსაზღვრო უნდა tensroflow ში. static graph ია.
და მერე ქსელს უნდა აჭამო input ი და ეს მოგცემს output ს.
gradient ის დათვლის საჭიროებიდან გამომდინარეობს ეს შეზღუდვა.
PyTorch:
პირდაპირ შეგიძლია პითონის interpreter ში რაც გინდა ის გაუკეთო data ს. და როცა მოგინდება backward() ფუნქციას გამოიძახებ და დაითვლის გრადიენტს.
ანუ შეგიძლია "on the fly" ცვალო როგორც გინდა ქსელი. evolving topology ქსელი შეგიძლია მარტივად დაწერო ამით, მაგალიტAდ NEAT ალგორითმი
აქ როგორცაა.
აქ torch ს იყენებს, ორიგინალს, lua ში რაცაა და არა PyTorchს.
თუმცა 30 მარტს tensorflow მაც გამოუშვა eager
https://www.tensorflow.org/programmers_guide/eagerიგივე ფუნქციონალის მისაცემად tensorflow სთვის.
ანუ პირდაპირ შეგიძლია 1 ან 2 ოპერაცია შეასრულო და შედეგი ამობეჭდო ან რამე მსგავსი.
ჯერ ახალია და არ ვიცი რამდენად კარგია.
მაინც მიწევს ჩავუჯდე tensorflow ს.
reinforcement learning ზე რაც ვიპოვე ყველაზე კაი სასწავლი რესურსი tensorflow მაგალიტEბითაა.
This post has been edited by execution on 22 Apr 2018, 19:38