為了寫論文不做深入的研究，代碼水平低選擇tensorflow還是pytorch比較好？Tensorflow很好，因為你可以直接使用keras我的研究方向是大數(shù)據(jù)和人工智能。目前，我也正帶著研發(fā)團隊去做

為了寫論文不做深入的研究，代碼水平低選擇tensorflow還是pytorch比較好？

Tensorflow很好，因為你可以直接使用keras

我的研究方向是大數(shù)據(jù)和人工智能。目前，我也正帶著研發(fā)團隊去做相關的落地項目，所以讓我來回答這個問題。

大數(shù)據(jù)的研發(fā)圍繞數(shù)據(jù)展開，涉及數(shù)據(jù)采集、整理、傳輸、存儲、安全、分析、展現(xiàn)和應用。涉及的崗位也很多，有的崗位難度大，比如數(shù)據(jù)安全和分析，有的崗位難度相對較小，比如數(shù)據(jù)整理和數(shù)據(jù)清理。

大數(shù)據(jù)的發(fā)展極大地促進了人工智能的發(fā)展，因為數(shù)據(jù)是智能的基礎，所以從這個角度來看，大數(shù)據(jù)的發(fā)展和人工智能的發(fā)展必然是相互促進的。正是從大數(shù)據(jù)研發(fā)到機器學習，我進入了人工智能領域，這也是很多人進入人工智能領域的途徑。

機器學習涉及的核心步驟包括數(shù)據(jù)收集、算法設計、算法訓練、算法驗證和算法應用。數(shù)據(jù)是機器學習的基礎。只有有足夠的訓練數(shù)據(jù)，機器學習才能順利進行，而大數(shù)據(jù)的特點是海量數(shù)據(jù)。

人工智能的研究主要涉及自然語言處理、知識表示、自動推理、機器學習、計算機視覺和機器人學六個部分?？梢哉f，人工智能是一門典型的跨學科專業(yè)，涉及的內(nèi)容多而復雜。因此，人工智能雖然經(jīng)歷了半個多世紀的發(fā)展，但仍處于初級階段。目前，隨著大數(shù)據(jù)的發(fā)展，大量的agent被應用于許多特定場景。相信今后藥劑的應用將更加普遍。

大數(shù)據(jù)和人工智能并不簡單。它們都需要一個系統(tǒng)的學習過程和長期的實驗。它們緊密相連。可以說你有我，我也有你。從學習的角度來說，建議從大數(shù)據(jù)入手，這樣會比較順暢。

大數(shù)據(jù)開發(fā)與人工智能哪個學起來比較難？如何學好大數(shù)據(jù)與人工智能？

建議先學java，再學python。就編程而言，Java和python都是面向?qū)ο蟮乃枷?。然而，Java可以在較低的層次上學習數(shù)據(jù)結構和算法。先學習java會讓你真正理解編程。我不是說學習Python不能理解編程。只是Python在中國的好課程還沒有Java成熟。學習曲線不如學習成本好，Java是最好的選擇學習會有點困難，但是一個好的學習教程會減少很多彎路

讓我們先談談Python的缺點。python自發(fā)布以來，在學術界實際生產(chǎn)中的應用比工業(yè)界多，主要原因是它不夠成熟，很多接口不穩(wěn)定，綜合性不夠。Tensorflow仍有許多Python不支持的功能，如快速傅立葉變換，但隨著Python的發(fā)展，這一缺點將逐漸減少。另外，與tensorflow的靜態(tài)圖相比，tensorflow的靜態(tài)圖很容易部署到任何地方（這比許多框架都要好得多），Python的深度學習框架比Python更先進，部署到其他產(chǎn)品上會非常不方便。

優(yōu)勢從一開始就有。盡管tensorflow自2015年發(fā)布以來受到了許多方面的青睞，比如theano，但tensorflow使用的是靜態(tài)計算圖。對于新手來說，有太多的新概念需要學習。因此，無論如何開始或構建，使用tensorflow都比python更困難。2017年，Python被團隊開放源碼的一個主要原因是更容易構建深度學習模型，這使得Python發(fā)展非常迅速。在數(shù)據(jù)加載方面，Python用于加載數(shù)據(jù)的API簡單高效。它的面向?qū)ο驛PI來自于porch（這也是keras的設計起源），它比tensorflow的困難API友好得多。用戶可以專注于實現(xiàn)自己的想法，而不是被框架本身所束縛。

在速度方面，python不會為了靈活性而放棄速度。雖然運行速度與程序員的水平密切相關，但在相同的情況下，它可能比其他框架更好。另外，如果追求自定義擴展，python也會是首選，因為雖然兩者的構造和綁定有一些相似之處，但tensorflow在擴展中需要大量的模板代碼，而只有接口和實現(xiàn)是python編寫的。