Tensorflow 和 Bert 它们究竟是什么，它们之间有什么区别？

如何解决Tensorflow 和 Bert 它们究竟是什么，它们之间有什么区别？

我对 NLP 很感兴趣，我想出了 Tensorflow 和 Bert，它们似乎都来自 Google，而且它们似乎都是目前最适合情感分析的东西，但我不明白它们究竟是什么以及什么它们之间的区别是......有人可以解释一下吗？

解决方法

Bert 和 Tensorflow 没什么不同，BERT 不仅有 2 个，而且有很多实现。大多数基本上是等效的。

您提到的实现是：

Google 的原始代码，在 Tensorflow 中。 https://github.com/google-research/bert Huggingface 在 Pytorch 和 Tensorflow 中的实现，重现了与原始实现相同的结果，并使用了与原始 BERT 文章相同的检查点。 https://github.com/huggingface/transformers 这些是不同方面的差异：

就结果而言，使用一个或另一个没有区别，因为它们都使用相同的检查点（相同的权重）并且它们的结果经过检查是相等的。 在可重用性方面，HuggingFace 库可能更具可重用性，因为它是专门为此而设计的。此外，它让您可以自由选择 TensorFlow 或 Pytorch 作为深度学习框架。 在性能方面，它们应该是相同的。 在社区支持方面（例如在 github 或 stackoverflow 中提问），HuggingFace 库更适合，因为有很多人在使用它。 除了 BERT，HuggingFace 的 Transformers 库还有许多模型的实现：OpenAI GPT-2、RoBERTa、ELECTRA ......

,

Tensorflow 是一个用于机器学习的开源库，可让您构建深度学习模型/架构。但是 BERT 是架构本身之一。您可以使用 TensorFlow 构建许多模型，包括 RNN、LSTM，甚至是 BERT。如果您只想在数据上部署模型并且不关心深度学习领域本身，像 BERT 这样的转换器是一个不错的选择。为此，我推荐了 HuggingFace 库，它提供了一种简单的方法，只需几行代码即可使用转换器模型。但是如果你想更深入地了解这些模型，我建议你学习众所周知的文本数据深度学习架构，如RNN、LSTM、CNN 等，并尝试使用 Tensorflow 或 PyTorch 之类的 ML 库来实现它们。