《表2 深度学习常见工具对比》
提示：宽带有限、当前游客访问压缩模式
本系列图表出处文件名：随高清版一同展现
《深度学习在生态资源研究领域的应用:理论、方法和挑战》
海量的数据集解决了深度学习的输入，而神经网络模型的搭建、算法的实现依赖于一些主流的深度学习工具，如Tensor Flow（https://www.tensorflow.org/）、Pytorch（https://pytorch.org/）、Caffe（http://caffe.berkeleyvision.org/）、Torch（http://torch.ch/）、Keras（https://keras.io/）、Mx Net（http://mxnet.incubator.apache.org/）、CNTK（https://www.microsoft.com/enus/cognitive-toolkit/）、Theano（http://deeplearning.net/software/theano/）、Paddle Paddle（http://www.paddlepaddle.org/）等.这些工具的主要开发语言和调用接口丰富多样，但几乎都支持CPU（Central Processing Unit）、GPU（Graphics Processing Unit）以及不同操作平台的使用，部分还支持TPU（Tensor Processing Unit）的使用（表2）.
| 图表编号 | XD00200368000 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2020.10.01 |
| 作者 | 郭庆华、金时超、李敏、杨秋丽、徐可心、巨袁臻、张菁、宣晶、刘瑾、苏艳军、许强、刘瑜 |
| 绘制单位 | 中国科学院植物研究所植被与环境变化国家重点实验室、中国科学院大学、中国科学院植物研究所植被与环境变化国家重点实验室、中国科学院大学、中国科学院植物研究所系统与进化植物学国家重点实验室、中国科学院植物研究所植被与环境变化国家重点实验室、中国科学院大学、中国科学院植物研究所植被与环境变化国家重点实验室、中国科学院大学、成都理工大学地质灾害防治与地质环境保护国家重点实验室、中国科学院植物研究所植被与环境变化国家重点实验室、中国科学院大学、中国科学院植物研究所系统与进化植物学国家重点实验室、中国科学院植物研究所植 |
| 更多格式 | 高清、无水印（增值服务） |
