Keras Y NO hay 2do o 3er lugar. No solo es más fácil, es lo mejor.
No es (solo) para principiantes, muchos profesionales lo están usando y dado que funciona tanto con TF como con Theano, obtendrás los mismos resultados sin mucho trabajo. Además, para los profesionales que desean profundizar y cambiar cada bit desde funciones de pérdida personalizadas, optimizadores personalizados, hasta capas personalizadas, etc., simplemente puede hacerlo todo.
Pero veamos exactamente lo que necesita para comenzar a hacer un aprendizaje profundo como un jefe:
- ¿Por qué aprendiste Machine Learning?
- Cómo extender una red neuronal profunda que se capacitó en la inclusión de palabras en inglés como entrada en una tarea de clasificación a multilingüe
- ¿Cuáles son los mejores marcos de implementación (DL4J, Theano, TensorFlow, etc.) para máquinas de Boltzmann restringidas?
- Cómo construir mi propio sistema de inteligencia artificial
- ¿Cuáles son algunos ejemplos de traducción horrible, realizada por máquina / software?
(no. 5 y 6 es lo que necesita específicamente para el aprendizaje profundo)
- El hardware debe: Nvidia GeForce GTX TitanX (v1, v2 o cualquier GPU Nvidia GeForce con más de 2048 núcleos Cuda)
- Sistema operativo: Ubuntu 14.04 (o 16.04, puede tener problemas con los controladores de GPU)
- Python (paquete científico), puede usar Spyder que viene listo para la ciencia de datos. Asegúrese de usar virtualenv también.
- Bibliotecas de ML, datos y matemáticas como: Scikit-learn, Pandas, Numpy (puede instalarlas con apt-get, anaconda o pip)
- TensorFlow o Theano (puede instalarlos con apt-get, pip, anaconda o recomendado directamente desde git source)
- Keras (puede instalarlo de la misma manera que instaló las otras bibliotecas)
- Alguna configuración, algo de codificación y algunos datos.
Importante, ya que a menudo veo esta idea errónea: no necesita GPU en producción, solo la necesita en la fase de entrenamiento, lo más importante debido a la capacidad de hacer cálculos paralelos de propagación inversa de los pesos utilizados en su red neuronal. Lo que digo es que puede tener trabajadores de producción configurados de manera similar a la anterior, pero sin la GPU. Keras también funciona bien en cualquier VM con una CPU y RAM decentes. Y eso es oro.
¡Buena suerte!