|
|
51CTO旗下网站
|
|
移动端

1.11 用CNTK 实现高性能模型

《Python深度学习实战:75个有关神经网络建模、强化学习与迁移学习的解决方案》第1章编程环境、GPU 计算、云解决方案和深度学习框架,本章重点介绍构建深度学习框架用到的一些流行技术方案。本节为大家介绍用CNTK 实现高性能模型。

作者:程国建/周冠武 译来源:机械工业出版社|2018-08-30 18:20

1.11 用CNTK 实现高性能模型

微软公司不久前推出了开源深度学习框架:微软认知工具包,这个框架称为CNTK。由于性能的原因,CNTK 是用C ++ 语言编写的,并且有一个Python API。CNTK 支持单GPU 和多GPU 的使用。

如何去做…

1)首先,用pip 安装CNTK,如下所示:

若有必要, 调整磁盘文件 ( 参阅https ://docs.microsoft.com/en-us/ cognitive-toolkit/Setup-Linux-Python?tabs=cntkpy22)。

2)安装完CNTK 后,可以将它导入到Python 环境中:

3)创建一些可以用来训练的简单虚拟数据:

4)接下来,需要为输入数据定义占位符:

5)使用CNTK,可以直接堆叠多个层。在一个输出层上堆叠了一个带有32 个输入的密集层,并带有1 个输出神经元:

6)接下来,定义损失函数:

7)现在,准备用优化器来完成模型构建:

8)最后,训练模型,如下所示:

正如在此介绍中已经展示的那样,用适当的高级封装来建立CNTK 模型是很简单的。但是,就像TensorFlow 和PyTorch 一样,可以选择更细化的级别来实现模型,这给了读者很大的自由度。

喜欢的朋友可以添加我们的微信账号:

51CTO读书频道二维码


51CTO读书会第9群:808517103

【责任编辑:book TEL:(010)68476606】

回书目   上一节   下一节
点赞 0
分享:
大家都在看
猜你喜欢

读 书 +更多

Eclipse插件开发方法与实战

本书分为4个部分共24章,以插件开发为中心,围绕插件开发主要介绍SWT/JFace的应用、插件扩展点的实现,以及GEF、EMF和RCP的相关知识。本书...

订阅51CTO邮刊

点击这里查看样刊

订阅51CTO邮刊