《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) |