面向人工智能应用的基准评测系统
近年来人工智能计算飞速发展，支持面向人工智能应用开发的计算框架层出不穷，如Tensorflow、MxNet、CNTK、PyTorch等框架。开发人员在面对众多的计算框架时，如何公正地对人工智能计算系统的性能进行评测以及怎样选择适合自己应用的计算框架成为了热点问题．然而，应用领域的广泛性、数据类型的多样性和数据操作的复杂性使得人工智能基准测试集的设计面临很大的挑战．
目前使用的深度学习框架较多，每个框架都有自己的特点。这些深度学习框架都完美支持深度神经网络，深度学习训练模型通常是建立在大数据基础上，但是性能和训练成本有所不同。
TensorFlow 是一个采用数据流图( data graphs)用于数值计算的开源软件库，在其中使用图( graph)来表示计算任务，图中的节点( nodes) 被称之为 op( operation 的缩写) 。一个 op 获得 0 个或多个张量( Tensor) ，执行计算，产生 0 个或多个 Tensor。每个
Tensor 是一个类型化的多维数组。计算任务在被称为会话( session) 的上下文( context) 中被执行。与其他深度学习框架相比，TensorFlow 具有高度的灵活性和可移植性，可以在 CPU 和 GPU 上运行，以及台式机、服务器以及移动终端设备上运行。
MXNet是一个开源的，轻量级的，灵活的和高度扩展的分布式深度学习框架，MXNet支持深度学习模型中的一些最新字数，包括卷积神经网络、长短期记忆网络等等，我们只要通过它提供的一些简单API就能训练一个网络模型。MXNet的构架，就是深度神经网络构架的基础和内容。首先，计算机网络在运行的过程中，对把数据的处理过程就是进行预处理，然后提取特征，然后再选择特征的过程中，进行反复的推敲，这样可以较为精准的预测数据的内容。一般情况下，对数据的特征的分析，都是由人工进行完成的。但是基于MXNet的构架下，深度神经网络下，可以实现由物联网进行数据处理。这是因为MXNet是比较符合人类神经学的特征，可以进行自主的对数据以及图片等特征进行提出和分析，这样可以提高物联网的运行速度。
CNTK是微软公司在深度学习与人工智能领域的研究成果计算网络工具。据微软研究员说法，它在语音和图像辨识能力方面。在公开的基准测试上的表现来看，这个工具似乎很强劲，支持纵向和横向的推移。它目前支持的语言是C ，微软将来会推出支持 C# 和 Python 语言的版本。CNTK有以下5个主要特征：
- CNTK是训练以及测试多种神经网络的通用解决方案：用户使用简单文本配置文件描述网络结构。配置文件映射网络，输入数据，以及如何优化参数。所有这些设计参数都在配置文件中固定。
- CNTK旨在将大量的计算尽量防止在GPU上。在GPU上计算这些网络是很容易进行矢量化和完善的。CNTK与支持CUDA编程环境的GPU兼容。
- CNTK自动计算所需的导数，以有效地执行必要的优化。网络由许多简单的元素组成，它可以跟踪细节，以确保优化正确完成。
- CNTK可以通过附加到附加的C 代码来实现必要的块。新的数据读取器，非线性和目标函数都很容易添加。
PyTorch 是 Facebook 推出的人工智能学习系统，虽然底层优化是在 C 的基础上实现，但基本所有框架都是用Python 编写，因此源码看起来较简洁明了。相对于其他框架，它有可以支持 GPU、创建动态神经网络、Python 优先等特点。相对于 Tensorflow，PyTorch 更加简洁直观，因此在训练机器翻译模型的实验上大多选用该框架。
LordKelvin阐述了评测对于设计和优化的重要性．在数据库评测基准还未发展成熟的２０世纪８０年代初期，各大厂商根据自定义的有偏颇的标准对自家的产品进行市场推广，使得数据库领域一度处于争夺利益的混乱时期．可见推出公认的评测基准作为系统设计的依据和产品优劣的评价标准是非常有必要的．
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
