深度神经网络用哪个软件

1. 搞神经网络和深度学习，用python好还是用R好

这两个现在半斤八两吧，R更强一些，但是Python也差不多了，推荐用Python中的sklearn和tensorflow第三方模块

2. 人工神经网络 用什么统计 软件

何为统计软件？一般初学者都使用Matlab神经网络工具箱进行建模仿真。
MATLAB是matrix&laboratory两个词的组合，意为矩阵工厂（矩阵实验室）。是由美国mathworks发布的主要面对科学计算、可视化以及交互式程序设计的高科技计算环境。它将数值分析、矩阵计算、科学数据可视化以及非线性动态系统的建模和仿真等诸多强大功能集成在一个易于使用的视窗环境中，为科学研究、工程设计以及必须进行有效数值计算的众多科学领域提供了一种全面的解决方案，并在很大程度上摆脱了传统非交互式程序设计语言（如C、Fortran）的编辑模式，代表了当今国际科学计算软件的先进水平。

3. 深度神经网络算法用什么软件处理

微软介绍，这种新型语音识别软件采用了名为“深度神经网络”的技术，使得该软件处理人类语音的过程与人脑相似。对此微软必应(Bing)搜索业务部门主管斯特凡·维茨(Stefan Weitz)在本周一表示：“我们试图复制人脑聆听和处理人类语音的方式。”
微软还表示，与原有WP手机语音识别技术相比，新型技术的语音识别准确性提高了15%，且创建相应文本及搜索关键词的速度也更快。如此一来，必应返回相应搜索结果所用时间比以前快了两倍。
微软语音处理技术部门高级项目经理迈克尔·特加尔夫(Michael Tjalve)也表示：“通过我们最新的语音识别器，你不但得到的结果更好，而且速度更快。”
微软已面向美国市场的Windows Phone手机用户发布了这项技术。用户通过这项新技术，将更容易使用语音命令来创建短信、进行网络搜索等活动。

4. 深度学习用什么软件最好

深度学习最主要的还是项目，以项目来带动知识点

5. 百度Paddle会和Python一样，成为最流行的深度学习引擎吗

摘要：PaddlePaddle的负责人徐伟认为，没有一家公司能够完全主导这个领域，要单一公司的深度学习框架完全主导该领域，就等同于用同一种程序语言开发所有的软件，未来深度学习的生态系统会因使用场景有最佳的框架使用。

PaddlePaddle会和Python一样流行吗?

深度学习引擎最近经历了开源热。2013年Caffe开源，很快成为了深度学习在图像处理中的主要框架，但那时候的开源框架还不多。随着越来越多的开发者开始关注人工智能，AI 巨头们纷纷选择了开源的道路：2015年9月Facebook开源了用于在Torch上更快速地训练神经网络的模块，11月Google开源 TensorFlow，2016年1月微软开源CNTK。最近，网络也宣布开源深度学习引擎 PaddlePaddle。

在这场深度学习的框架之争中，究竟哪家能够胜出?PaddlePaddle的负责人徐伟认为，没有一家公司能够完全主导这个领域，要单一公司的深度学习框架完全主导该领域，就等同于用同一种程序语言开发所有的软件，未来深度学习的生态系统会因使用场景有最佳的框架使用。

话虽如此，对于程序员来说，如果选择了更为流行的编程语言，就会有更多可使用的库，也能更轻松的做出好的产品。而紧跟程序语言的发展历史，我们发现最终最为流行的，总是最容易上手的。

Python是非常好的例子，在编程语言排行榜上，2014年Python只有第六名。但随着大量年轻程序员的涌入，他们更愿意选择简单、易学、文档好的Python作为优先的学习对象，很快C、C++程序员很多也开始使用Python编程了。

而今天发生在深度学习框架上的竞争，似乎也在重演编程语言的历史。

去年TensorFlow发布的时候，对于它的质疑声不绝于耳。首先是对单机版TensorFlow的质疑，认为它在和Caffe、Torch和 Theano相比并没有优势。而在Google开源了分布式版本后，人们说它比Caffe慢，比Torch臃肿，而且不能进行太大调整。但如今在HackerNews上关于最受欢迎深度学习工具的投票，TensorFlow获得第一，得票率是第二名的接近2.6倍。

程序员Vonnik解释了这个现象：使用TensorFlow的大部分都是来自Udacity课程的学生，他们大部分都没什么经验。但正是这些学生和初学者，而非那些经验丰富的资深人士，把Python变成了全球最流行的语言，也把TensorFlow推到了排名第一的位置。

从Python和TensorFlow的历史来看，我们有理由认为，最为简单、易用的深度学习框架，将会在未来的竞争胜出。

网络 PaddlePaddle

在和几款最常用的深度学习框架TensorFlow、Torch、Caffe比较之前，我们先重点介绍新出现的PaddlePaddle。

Paddle其实已经有多年历史了。早在 2013 年，网络就察觉到传统的基于单GPU的训练平台，已经无法满足深度神经网络在搜索、广告、文本、语音、图像等领域的训练需求，于是在徐伟的带领下开始搭建Paddle——一个多机并行的CPU/GPU混布的异构计算平台。Paddle从最早的开发到如今的开源，就一直以大规模数据处理和工业化的要求不断改进。我们可以看到PaddlePaddle有很多优异的特性。

Github上介绍，PaddlePaddle有以下特点：

· 灵活

PaddlePaddle支持大量的神经网络架构和优化算法，支持任意复杂RNNs结构，高效处理batch，无需数据填充。简单书写配置文件即可实现复杂模型，比如拥有注意力(Attention)机制、外围记忆层(External Memory)或者用于神经机器翻译模型的深度时序快进网络。

· 高效

为了利用异构计算资源的能力，PaddlePaddle中的每一级都会进行优化，其中包括计算、内存、架构和通信。以下是几个例子：

1.使用SSE/AVX内联函数、BLAS数据库(例如MKL、ATLAS、cuBLAS)和定制化的CPU/GPU Kernal来优化数学运算。

2.高度优化RNNs网络，在没有Padding的情况下，也能处理不同长度的序列。

3.优化的本地和分布式训练，同时支持高纬稀疏模型。

· 可扩展

有了PaddlePaddle，使用多个CPU和GPU以及机器来加速训练可以变得很轻松。 PaddlePaddle能通过优化通信，获得高吞吐量和性能。

· 与产品的连接

PaddlePaddle的部署也很简单。在网络，PaddlePaddle已经被用于产品和服务中，拥有大量用户。应用场景包括预估外卖的出餐时间、预判网盘故障时间点、精准推荐用户所需信息、海量图像识别分类、字符识别(OCR)、病毒和垃圾信息检测、机器翻译和自动驾驶等等。

在PaddlePaddle简单、可扩展的逻辑下，徐伟评价说：“这将使工程师们能够快速、轻松地将深度学习技术应用到他们的产品当中，我们想让更多的人使用人工智能，人工智能对于我们的未来生活是非常重要的。”

深度学习框架对比

PaddlePaddle最主要的类比对象，来自UC伯克利的贾扬清开发的Caffe和Google的 TensorFlow。

这是一张来自Spark Summit 2016的图，PaddlePaddle在开源前就在顶级的行业会议中进行了展示。

总的来说

1)Caffe具有出色的CNN实现功能的开发语言，在计算机视觉领域，Caffe仍然是最流行的工具包。Caffe的开发语言支持C++和Cuda，速度很快，但是由于一些历史性的遗留架构问题，它的灵活性不够强。而且对递归网络和语言建模的支持很差。Caffe支持所有主流开发系统，上手难度属于中等水平。

2)TensorFlow是一个理想的RNN API实现，它使用了向量运算的符号图方法，使得开发的速度可以很快。TensorFlow支持的比较好的系统只有各种Linux系统和OSX，不过其对语言的支持比较全面，包含了Python、C++和Cuda等，开发者文档写得没有Caffe那么全面，所以上手比较难，在性能方面，也不如Caffe及PaddlePaddle。

3)Torch没有跟随Python的潮流，反而选择了C语言实现，用Lua语言进行封装。Torch对卷积网络的支持非常好，运行在C++、C#和Jave等工业语言的速度较快，也不需要额外的编译。但是它的上手难度也很高，对初学者缺乏规范的例子，而且需要先迈过Lua的门槛，这对初学者是很大的障碍。

4)而此次网络的PaddlePaddle性能优先并兼顾灵活，通过使用GPU异构计算来提升每台机器的数据处理能力，获得了业内“相当简洁、设计干净、稳定，速度较快，显存占用较小”等好评。

而在关键的进入门槛上，相比Google TensorFlow和Facebook Torch，PaddlePaddle的上手难度低得多，且拥有非常优秀的业界特征，包括NLP和推荐等应用场景、对RNN很好的支持、高质量代码、以及分布式训练等，已经足以满足大多数AI场景的需求。且PaddlePaddle更加务实，可解决实际问题。

据徐伟介绍，PaddlePaddle将在本月底发布最新版本，全面支持Mac操作系统、以及Cuda8.0和GCC5.4，同时进一步优化了安装过程，可以帮助更多开放者更好地“上手”。

所以我们可以初步下一个结论，在中国的开发环境下，Google TensorFlow和Facebook Torch的上手难度都比较高，TensorFlow最好的训练环境Google Cloud也难以在中国获得支持。而Caffe虽然已经有了多年的积累，但是毕竟目前只是在视觉领域有比较好的发展，而且相比网络能提供的产业链支持，在资源投入上可能会有比较大的局限。相比之下，坐拥中国的本土市场，上手难度低得多的PaddlePaddle，将会有更好的技术和生态的环境。也许不久的将来，PaddlePaddle就会和Python在编程语言中所做的事情一样，成为最流行的深度学习引擎。

6. lt;深度神经网络>具体是怎样工作的

微软介绍种新型语音识别软件采用名深度神经中国络技术使该软件处理类语音程与脑相似微软必应(Bing)搜索业务部门主管斯特凡·维茨(Stefan Weitz)本周表示：我试图复制脑聆听处理类语音式 微软表示与原WP手机语音识别技术相比新型技术语音识别准确性提高一5%且创建相应文本及搜索关键词速度更快必应返相应搜索结所用间比前快两倍 微软语音处理技术部门高级项目经理迈克尔·特加尔夫(Michael Tjalve)表示：通我新语音识别器结更且速度更快 微软已面向美市场Windows Phone手机用户发布项技术用户通项新技术更容易使用语音命令创建短信、进行中国络搜索

7. 除了MATLAB能做BP神经网络，还有其他什么软件能做

在我看来bp神经网络是一种算法，只要是算法就可以用任何软件工具（只要编译器或者解释器支持，c，c++，python，matlab......）来进行实现，只是实现时的复杂程度有区别而已

8. 如何用Python和深度神经网络寻找相似图像

代码
首先，读入TuriCreate软件包
import turicreate as tc

我们指定图像所在的文件夹image，让TuriCreate读取所有的图像文件，并且存储到data数据框
data = tc.image_analysis.load_images('./image/')

我们来看看，data数据框的内容：
data

data包含两列信息，第一列是图片的地址，第二列是图片的长宽描述。
下面我们要求TuriCreate给数据框中每一行添加一个行号。这将作为图片的标记，方便后面查找图片时使用，并输出查看data。
data = data.add_row_number()
data

下面，是重头戏。我们让TuriCreate根据输入的图片集合，建立图像相似度判别模型。
model = tc.image_similarity.create(data)

这个语句执行起来，可能需要一些时间。如果你是第一次使用TuriCreate，它可能还需要从网上下载一些数据。请耐心等待。
经过或长或短的等待，模型已经成功建立。
下面，我们来尝试给模型一张图片，让TuriCreate帮我们从目前的图片集合里，挑出最为相似的10张来。
为了方便，我们就选择第一张图片作为查询输入。
我们利用show()函数展示一下这张图片。
tc.Image(data[0]['path']).show()

下面我们来查询，我们让模型寻找出与这张图片最相似的10张。
similar_images = model.query(data[0:1], k=10)

我们把结果存储在了similar_images变量里面，下面我们来看看其中都有哪些图片。
similar_images

返回的结果一共有10行。跟我们的要求一致。
每一行数据，包含4列。分别是：
查询图片的标记
获得结果的标记
结果图片与查询图片的距离
结果图片与查询图片近似程度排序值
有了这些信息，我们就可以查看到底哪些图片与输入查询图片最为相似了。
注意其中的第一张结果图片，其实就是我们的输入图片本身。考虑它没有意义。
我们提取全部结果图片的标记（索引）值，忽略掉第一张（自身）。
similar_image_index = similar_images['reference_label'][1:]

把上面9张图片的标记在所有图片的索引列表中过滤出来：
filtered_index = data['id'].apply(lambda x : x in similar_image_index)
filtered_index

验证完毕以后，请执行以下语句。我们再次调用TuriCreate的explore()函数，展现相似度查询结果图片。
data[filtered_index].explore()

9. 如何选择深度学习框架 TensorFlow/Torch/Mxnet/Theano

深度学习目前的应用领域很多，主要是计算机视觉和自然语言处理，以及各种预测等。对于计算机视觉，可以做图像分类、目标检测、视频中的目标检测等，对于自然语言处理，可以做语音识别、语音合成、对话系统、机器翻译、文章摘要、情感分析等。
对于刚入行深度学习，想从事人工智能工业应用和研发的小白来说，选择一个适合自己的深度学习框架显得尤为重要。那么在选择深度学习框架的时候，要注意哪些内容呢?
通常我们在选择框架时要考虑易用性、性能、社区、平台支持等问题。初学者应该考虑容易上手的框架，偏工业应用的开发者可以考虑使用稳定性高、性能好的框架，偏研究性的开发者，一般选择易用而且有领先的模型基线的框架。
目前这个阶段，TensorFlow因为背靠谷歌公司这座靠山，再加上拥有庞大的开发者群体，而且采用了称为“可执行的伪代码”的Python语言，成为最受欢迎的主流框架之一。一些外围的第三方库(如Keras、TFLearn)也基于它实现了很多成果，Keras还得到TensorFlow官方的支持。TensorFlow支持的上层语言也在逐渐扩大，对于不同工程背景的人转入的门槛正在降低。
因此，对于刚入行深度学习的小白，TensorFlow是一个非常好的选择，掌握TensorFlow对以后的求职发展很有帮助。
为了让大家更快地掌握深度学习技术，成为人工智能领域高端人才，中公教育联合中科院自动化研究所专家，强力推出人工智能《深度学习》，让大家学有所成、真正掌握机器学习模型以及算法背后的原理。