. 6 2.4 Keras 支持多个后端引擎，并且不会将你锁定到一个生态系统中 . . . . . . . . . . 6 2.5 Keras 拥有强大的多 GPU 和分布式训练支持 . . . . . . . . . . . . . . . . . . . . . . 6 2.6 Keras 的发展得到深度学习生态系统中的关键公司的支持 . . . . . . . . . . . . . Flask app）中。 • 在 JVM，通过 SkyMind 提供的 DL4J 模型导入。 • 在 Raspberry Pi 树莓派上。 2.4 Keras 支持多个后端引擎，并且不会将你锁定到一个生态系统中 你的 Keras 模型可以基于不同的深度学习后端开发。重要的是，任何仅利用内置层构建的 Keras 模型，都可以在所有这些后端中移植：用一种后端训练模型，再将它载入另一种后端中（比 如为了发布）。支持的后端有： 集群上训练。 • Keras 可以在 Spark（通过 CERN 的 Dist-Keras）和 Elephas 上运行。 为什么选择 KERAS？ 7 2.6 Keras 的发展得到深度学习生态系统中的关键公司的支持 Keras 的开发主要由谷歌支持，Keras API 以 tf.keras 的形式包装在 TensorFlow 中。此外， 微软维护着 Keras 的 CNTK 后端。亚马逊

Deep Learning Container 数据量大而全 先进的模型结构 业务场景复杂 计算力强、性价比高 提供 支撑 支撑 支撑 促进 促进 开源生态 系统 硬件 模型 生态系统 外循环 内循环 贡献 对接 PAI平台的优势 1. 机器学习PAI: https://help.aliyun.com/product/30347.html 2. 阿里灵杰:https://www

载数据集。对于自定义的数据集的加载，将会在后续章节介绍。 PyTorch 发布至今，受到越来越多的开发者的青睐，甚至在很多国际会议论文中的使 用率已经远超 TensorFlow。使用的人越多，生态系统相应地越加完善，目前涌现出如 torchvision、torchtext、torchaudio、PyTorch Geometric 等一系列面向各个行业应用的优秀第 三方库，极大地方便了开发人员的 创建模型即可直接从文件中恢复出网络 network 对象。 8.3.3 SavedModel 方式 TensorFlow 之所以能够被业界青睐，除了优秀的神经网络层 API 支持之外，还得益于 它强大的生态系统，包括移动端和网页端等的支持。当需要将模型部署到其他平台时，采 用 TensorFlow 提出的 SavedModel 方式更具有平台无关性。 通过 tf.saved_model.save 创建模型即可直接从文件中恢复出网络 network 对象。 8.3.3 SavedModel 方式 TensorFlow 之所以能够被业界青睐，除了优秀的神经网络层 API 支持之外，还得益于 它强大的生态系统，包括移动端和网页端等的支持。当需要将模型部署到其他平台时，采 用 TensorFlow 提出的 SavedModel 方式更具有平台无关性。 预览版202112 第 8 章 PyTorch

为了能用深度学习来解决现实世界的问题，我们经常从预处理原始数据开始，而不是从那些准备好的张量格 式数据开始。在Python中常用的数据分析工具中，我们通常使用pandas软件包。像庞大的Python生态系统中 的许多其他扩展包一样，pandas可以与张量兼容。本节我们将简要介绍使用pandas预处理原始数据，并将原 始数据转换为张量格式的步骤。后面的章节将介绍更多的数据预处理技术。 36 https://discuss