- Accueil
- ...
- Logiciel de réseau de neurones artificiels
- Keras
- Microsoft Cognitive Toolkit (Formerly CNTK)
- Keras-vs-Microsoft Cognitive Toolkit (Formerly CNTK)
Comparer KerasetMicrosoft Cognitive Toolkit (Formerly CNTK) 
Keras vs Microsoft Cognitive Toolkit (Formerly CNTK)
Lors de l'évaluation des deux solutions, les évaluateurs ont trouvé Keras plus facile à utiliser et à configurer. Cependant, Microsoft Cognitive Toolkit (Formerly CNTK) est plus facile à administrer. Les évaluateurs ont également préféré faire des affaires avec Microsoft Cognitive Toolkit (Formerly CNTK) dans l'ensemble.
- Les évaluateurs ont estimé que Keras répond mieux aux besoins de leur entreprise que Microsoft Cognitive Toolkit (Formerly CNTK).
- En comparant la qualité du support produit continu, les évaluateurs ont estimé que Microsoft Cognitive Toolkit (Formerly CNTK) est l'option préférée.
- Pour les mises à jour des fonctionnalités et les feuilles de route, nos évaluateurs ont préféré la direction de Keras à Microsoft Cognitive Toolkit (Formerly CNTK).
Tout d'abord, Keras est une API complète pour gérer les réseaux de neurones et est un outil open source. Je trouve son API extrêmement pratique à utiliser - certainement plus simple à utiliser que PyTorch.
Il y a une configurabilité minimale et les choses qui sont essentielles et facilement accomplies dans d'autres cadres prennent du temps. Par exemple, construire une couche qui n'est pas dans l'un des modèles prédéfinis ou vérifier les poids sur chaque couche.
I really like the way it is optimized to achieve faster execution and predictions of the deep learning model.
Manque de documentation dans les méthodes détaillées, Manque d'aide communautaire, Manque de visualisation, Manque d'exemples de référentiel par rapport à TensorFlow
Tout d'abord, Keras est une API complète pour gérer les réseaux de neurones et est un outil open source. Je trouve son API extrêmement pratique à utiliser - certainement plus simple à utiliser que PyTorch.
I really like the way it is optimized to achieve faster execution and predictions of the deep learning model.
Il y a une configurabilité minimale et les choses qui sont essentielles et facilement accomplies dans d'autres cadres prennent du temps. Par exemple, construire une couche qui n'est pas dans l'un des modèles prédéfinis ou vérifier les poids sur chaque couche.
Manque de documentation dans les méthodes détaillées, Manque d'aide communautaire, Manque de visualisation, Manque d'exemples de référentiel par rapport à TensorFlow
