深度學(xué)習框架你了解多少

開源的深度學(xué)習神經(jīng)網(wǎng)絡(luò)正步入成熟，而現(xiàn)在有許多框架具備為個性化方案提供先進的機器學(xué)習和人工智能的能力。那么如何決定哪個開源框架最適合你呢？本文試圖通過對比深度學(xué)習各大框架的優(yōu)缺點，從而為各位讀者提供一個參考。你最看好哪個深度學(xué)習框架呢？

現(xiàn)在的許多機器學(xué)習框架都可以在圖像識別、手寫識別、視頻識別、語音識別、目標識別和自然語言處理等許多領(lǐng)域大展身手，但卻并沒有一個完美的深度神經(jīng)網(wǎng)絡(luò)能解決你的所有業(yè)務(wù)問題。所以，本文希望下面的圖表和講解能夠提供直觀方法，幫助讀者解決業(yè)務(wù)問題。

下圖總結(jié)了在 GitHub 中最受歡迎的開源深度學(xué)習框架排名，該排名是基于各大框架在 GitHub 里的收藏數(shù)，這個數(shù)據(jù)由 Mitch De Felice 在 2017 年 5 月初完成。

地址： https://www.tensorflow.org/

TensorFlow 最開始是由谷歌一個稱之為 DistBelief V2 的庫發(fā)展而來，它是一個公司內(nèi)部的深度神經(jīng)網(wǎng)絡(luò)庫，隸屬于谷歌大腦項目。有一些人認為 TensorFlow 是由 Theano 徹底重構(gòu)而來。

谷歌開源 TensorFlow 后，立即吸引了一大批開發(fā)愛好者。TensorFlow 可以提供一系列的能力，例如圖像識別、手寫識別、語音識別、預(yù)測以及自然語言處理等。2015 年 11 月 9 號，TensorFlow 在 Apache 2.0 協(xié)議下開源發(fā)布。

TensorFlow 1.0 版本已于 2017 年 2 月 15 日發(fā)布，這個版本是之前 8 個版本的優(yōu)化改進版，其致力于解決 Tensorflow 之前遇到的一系列問題以及完善一些核心能力。TensorFlow 獲得成功的因素有：

TensorFlow 提供了如下工具：

TensorBoard：對于網(wǎng)絡(luò)模型和效果來說是一個設(shè)計優(yōu)良的可視化工具。

TensorFlow Serving：可以保持相同的服務(wù)器架構(gòu)和 API，使得部署新算法和實驗變得簡單。TensorFlow Serving 提供了與 TensorFlow 模型開箱即用的整合，但同時還能很容易擴展到其它類型的模型和數(shù)據(jù)。

TensorFlow 編程接口支持 Python 和 C++。隨著 1.0 版本的公布，Java、Go、R 和 Haskell API 的 alpha 版本也將被支持。此外，TensorFlow 還可在谷歌云和亞馬孫云中運行。

隨著 0.12 版本的發(fā)行，TensorFlow 將支持 Windows 7、 Windows 10 和 Server 2016。由于 TensorFlow 使用 C++ Eigen 庫，所以庫可在 ARM 架構(gòu)上編譯和優(yōu)化。這也就意味著你可以在各種服務(wù)器和移動設(shè)備上部署你的訓(xùn)練模型，而無需執(zhí)行單獨的模型解碼器或者加載 Python 解釋器。

TensorFlow 支持細粒度的網(wǎng)格層，而且允許用戶在無需用低級語言實現(xiàn)的情況下構(gòu)建新的復(fù)雜的層類型。子圖執(zhí)行操作允許你在圖的任意邊緣引入和檢索任意數(shù)據(jù)的結(jié)果。這對調(diào)試復(fù)雜的計算圖模型很有幫助。

分布式 TensorFlow（Distributed TensorFlow）被加進了 0.8 版本，它允許模型并行，這意味著模型的不同部分可在不同的并行設(shè)備上被訓(xùn)練。

自 2016 年 3 月，斯坦福大學(xué)、伯克利大學(xué)、多倫多大學(xué)和 Udacity 都將這個框架作為一個免費的大規(guī)模在線開放課程進行教授。

TensorFlow 的缺點如下：

TensorFlow 的每個計算流都必須構(gòu)造為一個靜態(tài)圖，且缺乏符號性循環(huán)（symbolic loops），這會帶來一些計算困難。

沒有對視頻識別很有用的三維卷積（3-D convolution）。

盡管 TensorFlow 現(xiàn)在比起始版本（v0.5）快了 58 倍，，但在執(zhí)行性能方面依然落后于競爭對手。

地址： http://caffe.berkeleyvision.org/

Caffe 是賈揚清的杰作，目前他在 Facebook AI 平臺擔任首席工程師。Caffe 可能是自 2013 年底以來第一款主流的工業(yè)級深度學(xué)習工具包。正因為 Caffe 優(yōu)秀的卷積模型，它已經(jīng)成為計算機視覺界最流行的工具包之一，并在 2014 年的 ImageNet 挑戰(zhàn)賽中一舉奪魁。Caffe 遵循 BSD 2-Clause 協(xié)議。

Caffe 的快速使其完美應(yīng)用于實驗研究和商業(yè)部署。Caffe 可在英偉達單個 K40 GPU 上每天處理 6000 萬張圖像。這大概是 1 毫秒預(yù)測一張圖片，4 毫秒學(xué)習一張圖片的速度，而且最新的版本處理速度會更快。

Caffe 基于 C++，因此可在多種設(shè)備上編譯。它跨平臺運行，并包含 Windows 端口。Caffe 支持 C++、Matlab 和 Python 編程接口。Caffe 擁有一個龐大的用戶社區(qū)，人們在其中為被稱為「Model Zoo（https://github.com/BVLC/caffe/wiki/Model-Zoo）」的深度網(wǎng)絡(luò)庫做貢獻。AlexNet 和 GoogleNet 就是社群用戶構(gòu)建的兩個流行網(wǎng)絡(luò)。

雖然 Caffe 在視頻識別領(lǐng)域是一個流行的深度學(xué)習網(wǎng)絡(luò)，但是 Caffe 卻不能像 TensorFlow、CNTK 和 Theano 那樣支持細粒度網(wǎng)絡(luò)層。構(gòu)建復(fù)雜的層類型必須以低級語言完成。由于其遺留架構(gòu)，Caffe 對循環(huán)網(wǎng)絡(luò)和語言建模的支持總體上很薄弱。

地址： https://caffe2.ai/

目前，賈揚清和他在 Facebook 的團隊正在開發(fā)新一代框架 Caffe2。今年 4 月 18 日，F(xiàn)acebook 開源了 Caffe2。Caffe 2 與 Caffe 的區(qū)別是什么？Caffe2 更注重模塊化，在移動端、大規(guī)模部署上表現(xiàn)卓越。如同 TensorFlow，Caffe2 使用 C++ Eigen 庫，支持 ARM 架構(gòu)。

用一個實用腳本，Caffe 上的模型可輕易地被轉(zhuǎn)變到 Caffe2 上。Caffe 設(shè)計的選擇使得它處理視覺類型的難題時很完美。Caffe2 延續(xù)了它對視覺類問題的支持，且增加了對自然語言處理、手寫識別、時序預(yù)測有幫助的 RNN 和 LSTM 支持。

期待不久之后能看到 Caffe 2 超越 Caffe，就像它宣稱的那樣在深度學(xué)習社區(qū)流行。

在本周三英偉達推出 Volta 架構(gòu)的第一塊加速卡 Tesla V100 后，Caffe 的開發(fā)者第一時間展示了 Tesla V100 在 Caffe2 上運行 ResNet-50 的評測。數(shù)據(jù)顯示在新框架和新硬件的配合下，模型每秒鐘可以處理 4100 張圖片。

鏈接： https://caffe2.ai/blog/2017/05/10/caffe2-adds-FP16-training-support.html

鏈接： https://github.com/Microsoft/CNTK/wiki

微軟的 CNTK（Microsoft CogniTIve Toolkit）最初是面向語音識別的框架。CNTK 支持 RNN 和 CNN 類型的網(wǎng)絡(luò)模型，從而在處理圖像、手寫字體和語音識別問題上，它是很好的選擇。使用 Python 或 C++ 編程接口，CNTK 支持 64 位的 Linux 和 Windows 系統(tǒng)，在 MIT 許可證下發(fā)布。

與 TensorFlow 和 Theano 同樣，CNTK 使用向量運算符的符號圖（symbolic graph）網(wǎng)絡(luò)，支持如矩陣加/乘或卷積等向量操作。此外，像 TensorFlow 和 Theano 一樣，CNTK 有豐富的細粒度的網(wǎng)絡(luò)層構(gòu)建。構(gòu)建塊（操作）的細粒度使用戶不需要使用低層次的語言（如 Caffe）就能創(chuàng)建新的復(fù)雜的層類型。

CNTK 也像 Caffe 一樣基于 C++ 架構(gòu)，支持跨平臺的 CPU/GPU 部署。CNTK 在 Azure GPU Lab 上顯示出最高效的分布式計算性能。目前，CNTK 不支持 ARM 架構(gòu)，這限制了其在移動設(shè)備上的功能。

鏈接： http://mxnet.io/

MXNet（發(fā)音為 mix-net）起源于卡內(nèi)基梅隆大學(xué)和華盛頓大學(xué)的實驗室。MXNet 是一個全功能、可編程和可擴展的深度學(xué)習框架，支持最先進的深度學(xué)習模型。MXNet 支持混合編程模型（命令式和聲明式編程）和多種編程語言的代碼（包括 Python、C++、R、Scala、Julia、Matlab 和 JavaScript）。2017 年 1 月 30 日，MXNet 被列入 Apache Incubator 開源項目。

MXNet 支持深度學(xué)習架構(gòu)，如卷積神經(jīng)網(wǎng)絡(luò)（CNN）、循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）和其包含的長短時間記憶網(wǎng)絡(luò)（LTSM）。該框架為圖像、手寫文字和語音的識別和預(yù)測以及自然語言處理提供了出色的工具。有些人稱 MXNet 是世界上最好的圖像分類器。

MXNet 具有可擴展的強大技術(shù)能力，如 GPU 并行和內(nèi)存鏡像、快速編程器開發(fā)和可移植性。此外，MXNet 與 Apache Hadoop YARN（一種通用分布式應(yīng)用程序管理框架）集成，使 MXNet 成為 TensorFlow 有力的競爭對手。

MXNet 不僅僅只是深度網(wǎng)絡(luò)框架，它的區(qū)別在于支持生成對抗網(wǎng)絡(luò)（GAN）模型。該模型啟發(fā)自實驗經(jīng)濟學(xué)方法的納什均衡。

鏈接： http://torch.ch/

Torch 由 Facebook 的 Ronan Collobert 和 Soumith Chintala，Twitter 的 Clement Farabet（現(xiàn)任職于英偉達），以及 Google DeepMind 的 Koray Kavukcuoglu 共同開發(fā)。很多科技巨頭（如 Facebook、Twitter 和英偉達）都使用定制版的 Torch 用于人工智能研究，這大大促進了 Torch 的開發(fā)。Torch 是 BSD 3 協(xié)議下的開源項目。然而，隨著 Facebook 對 Caffe 2 的研究，以及其對移動設(shè)備的支持，Caffe 2 正成為主要的深度學(xué)習框架。

Torch 的編程語言為 Lua。Lua 不是主流語言，在開發(fā)人員沒有熟練掌握 Lua 之前，使用 Torch 很難提高開發(fā)的整體生產(chǎn)力。

Torch 缺乏 TensorFlow 的分布式應(yīng)用程序管理框架，也缺乏 MXNet 和 Deeplearning4J 對 YARN 的支持。缺乏多種編程語言的 API 也限制了開發(fā)人員。

地址： http://pytorch.org/

PyTorch 由 Adam Paszke、Sam Gross 與 Soumith Chintala 等人牽頭開發(fā)，其成員來自 Facebook FAIR 和其他多家實驗室。它是一種 Python 優(yōu)先的深度學(xué)習框架，在今年 1 月被開源，提供了兩種高層面的功能：

使用強大的 GPU 加速的 Tensor 計算（類似 numpy）

構(gòu)建于基于 tape 的 autograd 系統(tǒng)的深度神經(jīng)網(wǎng)絡(luò)

該框架結(jié)合了 Torch7 高效靈活的 GPU 加速后端庫與直觀的 Python 前端，它的特點是快速成形、代碼可讀和支持最廣泛的深度學(xué)習模型。如有需要，你可以復(fù)用你最喜歡的 Python 軟件包（如 numpy、scipy 和 Cython）來擴展 PyTorch。該框架因為其靈活性和速度，在推出以后迅速得到了開發(fā)者和研究人員的青睞。隨著 GitHub 上越來越多代碼的出現(xiàn)，PyTorch 作為新框架缺乏資源的問題已經(jīng)得以緩解。

地址： https://deeplearning4j.org/

Deeplearning4J（DL4J）是用 Java 和 Scala 編寫的 Apache 2.0 協(xié)議下的開源、分布式神經(jīng)網(wǎng)絡(luò)庫。DL4J 最初由 SkyMind 公司的 Adam Gibson 開發(fā)，是唯一集成了 Hadoop 和 Spark 的商業(yè)級深度學(xué)習網(wǎng)絡(luò)，并通過 Hadoop 和 Spark 協(xié)調(diào)多個主機線程。DL4J 使用 Map-Reduce 來訓(xùn)練網(wǎng)絡(luò)，同時依賴其它庫來執(zhí)行大型矩陣操作。

DL4J 框架支持任意芯片數(shù)的 GPU 并行運行（對訓(xùn)練過程至關(guān)重要），并支持 YARN（Hadoop 的分布式應(yīng)用程序管理框架）。DL4J 支持多種深度網(wǎng)絡(luò)架構(gòu)：RBM、DBN、卷積神經(jīng)網(wǎng)絡(luò)（CNN）、循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）、RNTN 和長短時間記憶網(wǎng)絡(luò)（LTSM）。DL4J 還對矢量化庫 Canova 提供支持。

DL4J 使用 Java 語言實現(xiàn)，本質(zhì)上比 Python 快。在用多個 GPU 解決非平凡圖像（non-trivial image）識別任務(wù)時，它的速度與 Caffe 一樣快。該框架在圖像識別、欺詐檢測和自然語言處理方面的表現(xiàn)出眾。

地址： http://deeplearning.net/software/theano/

Theano 由蒙特利爾大學(xué)算法學(xué)習人工智能實驗室（MILA）維護。以 Theano 的創(chuàng)始人 Yoshua Bengio 為首，該實驗室是深度學(xué)習研究領(lǐng)域的重要貢獻者，擁有約 30 至 40 名學(xué)生和教師。Theano 支持快速開發(fā)高效的機器學(xué)習算法，在 BSD 協(xié)議下發(fā)布。

Theano 的架構(gòu)如同一個黑箱；整個代碼庫和接口使用 Python，其中 C/CUDA 代碼被打包成 Python 字符串。這使得開發(fā)人員很難導(dǎo)航（navigate）、調(diào)試和重構(gòu)。

Theano 開創(chuàng)了將符號圖用于神經(jīng)網(wǎng)絡(luò)編程的趨勢。Theano 的符號式 API 支持循環(huán)控制（即 scan），這使得實現(xiàn) RNN 容易且高效。

Theano 缺乏分布式應(yīng)用程序管理框架，只支持一種編程開發(fā)語言。Theano 是很好的學(xué)術(shù)研究工具，在單個 CPU 上運行的效率比 TensorFlow 更有效。然而，在開發(fā)和支持大型分布式應(yīng)用程序時，使用 Theano 可能會遇到挑戰(zhàn)。

隨著深度學(xué)習的不斷發(fā)展，我們必將看到 TensorFlow、Caffe 2 和 MXNet 之間的不斷競爭。另一方面，軟件供應(yīng)商也會開發(fā)具有先進人工智能功能的產(chǎn)品，從數(shù)據(jù)中獲取最大收益。風險：你將購買非開源的人工智能產(chǎn)品還是使用開源框架？有了開源工具，確定最適合的深度學(xué)習框架也是兩難問題。在非開源產(chǎn)品中，你是否準備了退出策略？人工智能的收益會隨著工具的學(xué)習能力的進步而上升，所以看待這些問題都需要用長遠的觀點。