我用Numpy和scipy實現了神經網絡。優化。基本上，我使用前饋和後向傳播創建了成本函數和漸變，然後將我的輸入（特徵），輸出（標籤）和權重提供給Scipy Optimize以最小化成本函數。在神經網絡中使用張量流是否有優勢
現在我遇到了PyBrain和Tensorflow。在Tensorflow中，據我所知，我們需要實現相同的前饋和後向傳播，然後使用Tensorflow模塊進行優化。所以看起來編程複雜度幾乎相同。我錯過了什麼，或者我的理解不正確？否則，使用Tensorflow有什麼優勢嗎？
python實現神經網絡的最佳實踐是什麼？我應該去Pybrain還是Tensorflow，或者嘗試實施自己。
是的，有些。與火炬和Theano這樣的開源市場的長期參與者相比，TensorFlow在營銷方面更勝一籌。
同時對於其競爭對手 - 1. Theano在許多方面仍然比TensorFlow更快，並支持更廣泛的操作。 2.火炬比Theano和TensorFlow更適合調試。
如果你想獲得啓發，使用Tensorflow，像我，看https://www.youtube.com/watch?v=nWJZ4w0HKz8
Tensorflow有3個優點：
1. Tensorboard自帶的網絡可視化：
這可能是Tensorflow吸引開發者參與其中的主要原因。即使是複雜的神經網絡也能輕鬆觀察 Check Tensorboard here!
1.不斷髮展：
Tensorflow是相對較新，但發展日新月異。所有的算法都是由專家編寫的。
更新算法的新版本。事實上，谷歌在其項目中使用它，所以你可以確信它們是人們可以找到的最好的算法。
2。使用佔位符創建整個網絡：
佔位符使我們能夠分離網絡配置階段和評估階段。 雖然它看起來可能是一種開銷，但它實際上有助於在不做任何修改的情況下擴展網絡。
所以，如果你使用的是現在或將來如果u想將它擴展到絕對大型數據集Tensorflow
您可以Tensorflow或其他的東西繼續下去，但我會建議你給Tensorflow企圖。