Сравнительный анализ производительности фреймворков TensorFlow, PyTorch и Keras при решении задачи классификации на Python

Аннотация

В статье представлен сравнительный анализ производительности трёх фреймворков для глубокого обучения — TensorFlow/Keras, PyTorch и ручной реализации нейросети на NumPy — при решении задачи классификации набора данных «Ирисы Фишера». Эксперимент проводился на идентичных условиях: архитектура нейросети (один скрытый слой из 10 нейронов, функция активации ReLU, выходной слой с softmax), оптимизатор Adam, функция потерь — категориальная кросс-энтропия. Сравнение выполнялось по критериям времени обучения, точности классификации и сложности реализации. Результаты показали, что ручная реализация на NumPy оказалась самой быстрой (0.37 секунды), обе реализации на NumPy и PyTorch достигли максимальной точности (100%), а TensorFlow/Keras показал наихудшее время обучения (27.20 секунд) при адекватной точности (93.33%). Полученные результаты позволяют сделать обоснованный выбор фреймворка в зависимости от приоритетов разработчика: скорость (NumPy), точность и гибкость (PyTorch) или простота реализации (TensorFlow/Keras).