Время прочтения: 2 мин.

Искусственный интеллект (Artificial Intelligence) и машинное обучение (Machine Learning) все крепче используется в индустрии для моделей предсказания, упрощения анализа данных и программирования автоматизированных систем. В этой статье мы будем рассматривать несколько библиотек языка python, т.к. в нем имеется большой набор пакетов для реализации информационных систем.

В настоящее время существует множество библиотек  Python, применяемых в ML, из которых наиболее популярными являются TensorFlow и PyTorch.

TensorFlow позволяет строить нейронные сети распознавания текста, обработки естественных языков. Также ее часто используют для анализа и распознавания голосовых данных.

Keras — более функциональный интерфейс для TensorFlow, MXNet и PlaidML,  не относится к  библиотеке  машинного обучения полного цикла, вместо чего имеет очень удобный и функциональный интерфейс,  который увеличивает выразительность и модульность.

Пример кода на Keras можно посмотреть на GitHub по ссылке

Для новичков наиболее удобна библиотека PyTorch. Она позволяет использовать графический процессор GPU , благодаря чему удобно для использования при обработке естественных языков. Это оптимизирует и масштабирует распределения задач обучения в исследованиях и в создании программного обеспечения. Также преимуществом этой библиотеки является наличие Glow — компилятора моделей для нейронных сетей.

Пример кода с PyTorch:

import torch
import torch.nn as nn
dtype=torch.xxx
х = torch.tensor(([3, 10], [2, 6], [4, 7]), dtype=torch.float) 
y = torch.tensor(([96], [99], [86]), dtype=torch.float) 
xPredicted=torch.tensor(([4,8]),dtype=torch.float)

 #xPredicted — единственный вход, для которого осуществляется прогноз оценки с использованием параметров, полученных нейросетью.

Итак, можно составить сравнительную характеристику достоинств и недостатков вышеперечисленных инструментов:

Библиотека PythonПлюсыМинусыПрименение
TensorFlowИмеется TensorBoard (визуализирует модели сразу в браузере), осуществляет поддержку различных алгоритмов и обучения с подкреплениемОтносительная сложность, медленнее других фреймворков, которые используют графический или центральный процессорОриентирована на решение бизнес-задач; чаще используют  в нейронных сетях и глубоком обучении
PyTorchПроста в изучении, может вычислять на тензорах благодаря ускорению графического процессора, наличие инструментов и библиотек компьютерного зрения, натуральной обработки речи, глубокого обученияв сравнении с TensorFlow, недостаточно инструментов для полноценной работыИспользуется для распознавания различных элементов на фото, систем предсказаний, распознавания аудио, текста и т.д.
KerasПортативная, легкое представление нейронных сетейОтносительная сложность; медленная, т.к. для нее требуется создание вычислительного графа перед операциямиПрименяется в классификации изображений, распознавании рукописного текста, систем предсказаний и др.

Можно сделать вывод, что все вышеперечисленные инструменты важны, но имеют свои плюсы и минусы в зависимости от обрабатываемых данных и задач.