Сравните рамки глубокого обучения между TensorFlow и PaddlePaddle

Question

Я хочу изучать исследования глубокого обучения, но я не знаю, какую фреймворк мне выбрать между TensorFlow и PaddlePaddle. кто может сделать контраст между двумя рамками? какой из них лучше? особенно в эффективности работы процессора

Answer 1

Это действительно зависит от того, для чего вы снимаете... Если вы планируете тренироваться, CPU вам не подойдет. Используйте colab или kaggle.

Если у вас есть графический процессор, это зависит от того, хотите ли вы сосредоточиться на классификации или обнаружении объектов.

Если вы сосредоточитесь на классификации, вероятно, проще всего работать с Keras или pytorch, если вам нужны более сложные вещи и возможность что-то изменить.

Если вы планируете обнаружение объектов, все становится сложнее... Вывод достаточно простой, но обучение - сложное. На самом деле вам следует рассмотреть 4 платформы:

1. Tensorflow - мощный, но очень сложный в работе. Если вы не используете Keras (а для OD вы обычно не можете), вам нужно предварительно обработать набор данных в tfrecords, и это проблема. OD Api имеет очень загадочные сообщения и очень чувствителен к сочетанию версии tf и версии api. С другой стороны, крутые модели, такие как effectivedet, более-менее просты в использовании.

2. MMdetection - очень мощный фреймворк, имеет множество продвинутых моделей, и как только вы поймете, как с ним работать, вы сможете легко работать с моделями, которые он поддерживает. Обратной стороной является то, что некоторые модели приходят медленно (например, effectivedet).

3. paddlepaddle - если вы знаете китайский, возможно, это должно работать нормально. Документация немного отстает и обычно требует большой импровизации. По сути, это похоже на mmdetection только с несколькими уникальными моделями и несколькими недостающими моделями.

4. detectron2 - с этим не работал, но вроде поддерживает только несколько моделей.

Вероятно, вам нужно сначала определить для себя, что вы хотите делать, а затем выбрать.

Удачи!

Answer 2

Это не так уж и просто. Некоторые модели работают быстрее с одним типом фреймворка, другие - с другим. Кроме того, это также зависит от оборудования. См. Этот блог. Если логический вывод является вашей единственной заботой, вы можете разработать свою модель в любой из популярных фреймворков, таких как TensorFlow, PyTorch и т. Д. В конце преобразуйте свою модель в формат ONNX и сравните ее производительность с DNN-Bench, чтобы выбрать лучший механизм вывода для ваше приложение.