¿Cuál es la biblioteca de aprendizaje profundo más fácil de aprender?

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)

1. El hardware debe: Nvidia GeForce GTX TitanX (v1, v2 o cualquier GPU Nvidia GeForce con más de 2048 núcleos Cuda)
2. Sistema operativo: Ubuntu 14.04 (o 16.04, puede tener problemas con los controladores de GPU)
3. Python (paquete científico), puede usar Spyder que viene listo para la ciencia de datos. Asegúrese de usar virtualenv también.
4. Bibliotecas de ML, datos y matemáticas como: Scikit-learn, Pandas, Numpy (puede instalarlas con apt-get, anaconda o pip)
5. TensorFlow o Theano (puede instalarlos con apt-get, pip, anaconda o recomendado directamente desde git source)
6. Keras (puede instalarlo de la misma manera que instaló las otras bibliotecas)
7. 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!