El aprendizaje profundo se basa en marcos bien escritos y optimizados que hacen el trabajo pesado. Nadie quiere escribir convoluciones desde cero en C cada vez y pensar si es una mala optimización o un error en la implementación de un modelo que hace que el error pase por alto.
Python se usa para crear abstracciones de alto nivel para esos marcos que le permiten tratar todo como un objeto y no preocuparse por la gestión de la memoria y las peculiaridades de la programación CUDA.
Por cierto, Python no es lento. El código de Cython es casi tan rápido como el código C compilado, al menos cuando se trata de CPU.
- Cómo entrenar clasificador lineal paso a paso con Caffe, utilizando las respuestas de la última capa completamente conectada del modelo AlexNet como características
- ¿Cuál es el entorno libre de distribución en la teoría del aprendizaje estadístico?
- ¿Vale la pena obtener un doctorado en aprendizaje automático y procesamiento del lenguaje natural?
- ¿Las startups ofrecen trabajos orientados a la investigación?
- ¿Qué métrica de rendimiento debo elegir para evaluar un modelo de clasificación?
Python sirve como un pegamento entre las bibliotecas de bajo nivel y todo lo demás, lo que facilita el uso de controladores de datos que convierten datos sin procesar y los introducen en el modelo, para obtener la salida y producir un gráfico o servirlo en una aplicación web. La integración perfecta sería mucho más importante incluso si fuera realmente lenta. Pero no lo es.