机器学习 | wxya（个人网站）

机器学习

‣

【1.基础知识】：Python基础+高数基础

【2.机器学习理论入门】：机器学习经典算法详解

【3.机器学习实战项目】：Kaggle竞赛案例/推荐系统实战/数据分析建模等

【4.深度学习理论入门】：必备框架（Pytorch+TensorFlow）+神经网络模型基础

【5.计算机视觉实战项目】：图像处理+YOLO实战

2024年，人工智能领域继续取得前所未有的进步，选择了一个比以往任何时候都更合适、更相关的框架。TensorFlow和PyTorch等框架已成为关键参与者，提供从机器学习到深度学习的一系列功能

PyTorch 由 Meta AI（以前的 Facebook AI 研究实验室）开发，建立在 Torch 库的基础上。它于 2016 年首次发布，因其灵活性、易用性和动态计算图而迅速引起关注。

PyTorch脱颖而出有以下几个原因：

动态计算图：称为 Autograd，此功能可以在构建神经网络时提供更大的灵活性。它会动态地适应学习过程中的变化和更新。

Python 本质： PyTorch 与 Python 深度集成，使其对 Python 程序员来说直观且易于使用。它利用 Python 的简单性和强大功能使编码体验更加自然。

丰富的库和工具： PyTorch 为深度学习提供了全面的生态系统，包括计算机视觉 (TorchVision) 和自然语言处理 (TorchText) 库。

支持 GPU 加速：与许多现代 AI 框架一样，PyTorch 有效利用 GPU 硬件加速，使其适合高性能模型训练和研究。

强大的社区和行业支持：在 Meta 和充满活力的社区的支持下，PyTorch 在学术研究人员和行业专业人士的贡献下不断发展。

TensorFlow 于 2015 年推出，源于 Google 对其产品和服务的内部研究。它从早期的名为 DistBelief 的框架演变而来，旨在更加灵活和高效。

TensorFlow 有几个值得注意的属性：

基于图的计算： TensorFlow 基于基于图的计算模型，这意味着操作被表示为数据流图中的节点。这种方法可以有效地利用CPU和GPU资源。

可扩展性：TensorFlow 以其可扩展性而闻名，能够在桌面和大型分布式系统上运行。

多功能 API： TensorFlow 提供多个抽象级别，使其适合初学者（通过 Keras 等高级 API）和专家等。

TensorBoard：TensorBoard 是一种独特的可视化工具，有助于理解和调试模型。

广泛的采用和社区支持：作为 Google 的产品，TensorFlow 已在工业界和学术界广泛采用，受益于庞大的开发人员和研究人员社区。