对比复现34个预训练模型，PyTorch和Keras你选谁？

这些题目都是实际存在的，原 GitHub 项目为每个题目都提供了链接。项目作者的方针之一是通过为 Keras 预实习模子建设可复现基准，从而辅佐办理上述的一些题目。办理要领可分为以下三个方面，在 Keras 中要做到：推理时代停止分批(batches)。

每次运行一个样本，这样做很是慢，但可觉得每个模子得出一个可复现的输出。

只在当地函数或 with 语句中运行模子，以确保在加载下一个模子时，前一个模子的任何对象都不会生涯在内存中。

2. 预实习模子复现功效

以下是 Keras 和 PyTorch 的「现实」验证集精确度表(已经在 macOS 10.11.6、Linux Debian 9 和 Ubuntu 18.04 上获得验证)。

3. 复现要领

起首必要下载 ImageNet 2012 验证集，该数据集包括 50000 张图片。在 ILSVRC2012_img_val.tar 下载完成后，运行以下呼吁行预处理赏罚/提取验证集：

# Credit to Soumith: https://github.com/soumith/imagenet-multiGPU.torch 
$ cd ../ && mkdir val && mv ILSVRC2012_img_val.tar val/ && cd val && tar -xvf ILSVRC2012_img_val.tar 
$ wget -qO- https://raw.githubusercontent.com/soumith/imagenetloader.torch/master/valprep.sh | bash 

ImageNet 验证齐集每个示例的 top 5 猜测已经举办了估量，运行以下呼吁行将直接行使这些估量算功效，并在几秒内复现 Keras 和 PyTorch 基准。

$ git clone https://github.com:cgnorthcutt/imagenet-benchmarking.git 
$ cd benchmarking-keras-pytorch 
$ python imagenet_benchmarking.py /path/to/imagenet_val_data 

不行使估量算数据也可以复现每个 Keras 和 PyTorch 的推理输出。Keras 的推理要花很长时刻(5-10 小时)，由于每次只计较一个示例的前向撒播，还要停止向量计较。假如要靠得住地复现同样的精确率，这是今朝发明的独一的要领。PyTorch 的推理很是快(一个小时都不到)。复当代码如下：

$ git clone https://github.com:cgnorthcutt/imagenet-benchmarking.git 
$ cd benchmarking-keras-pytorch 
$ # Compute outputs of PyTorch models (1 hour) 
$ ./imagenet_pytorch_get_predictions.py /path/to/imagenet_val_data 
$ # Compute outputs of Keras models (5-10 hours) 
$ ./imagenet_keras_get_predictions.py /path/to/imagenet_val_data 
$ # View benchmark results 
$ ./imagenet_benchmarking.py /path/to/imagenet_val_data 

你可以节制 GPU 的行使、批巨细、输出存储目次等。运行时加上-h flag，可以查察呼吁行参数选项。

看完文章之后，你更中意谁呢?

原文链接：http://l7.curtisnorthcutt.com/towards-reproducibility-benchmarking-keras-pytorch

【本文是51CTO专栏机构“呆板之心”的原创译文，微信公家号“呆板之心( id: almosthuman2014)”】

戳这里，看该作者更多好文

【编辑保举】

1. 怎样领略深度进修的优化？通过说明梯度降落的轨迹
2. 2018年下半年，别错过这些深度进修项目！
3. 深度进修果实即将摘尽？11位大牛谈AI的当下（2018）与将来（2019）
4. 深度进修已经触到天花板了吗
5. 人脸辨认技能总结：从传统要领到深度进修

（编辑：湖南网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!