你最看好哪個(gè)深度學(xué)習(xí)框架呢？

開源的深度學(xué)習(xí)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(gè)性化方案提供先進(jìn)的機(jī)器學(xué)習(xí)和人工智能的能力。那么如何決定哪個(gè)開源框架最適合你呢？本文試圖通過對(duì)比度學(xué)習(xí)各大框架的優(yōu)缺點(diǎn)，從而為各位讀者提供一個(gè)參考。

現(xiàn)在的許多機(jī)器學(xué)習(xí)框架都可以在圖像識(shí)別、手寫識(shí)別、視頻識(shí)別、語音識(shí)別、目標(biāo)識(shí)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(gè)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(xí)框架排名，該排名是基于各大框架在 GitHub 里的收藏?cái)?shù)，這個(gè)數(shù)據(jù)由 Mitch De Felice 在 2017 年 5 月初完成。

TensorFlow

地址：https://www.tensorflow.org/

TensorFlow 最開始是由谷歌一個(gè)稱之為 DistBelief V2 的庫發(fā)展而來，它是一個(gè)公司內(nèi)部的深度神經(jīng)網(wǎng)絡(luò)庫，隸屬于谷歌大腦項(xiàng)目。有一些人認(rèn)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(shí)別、手寫識(shí)別、語音識(shí)別、預(yù)測以及自然語言處理等。2015 年 11 月 9 號(hào)，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(gè)版本是之前 8 個(gè)版本的優(yōu)化改進(jìn)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：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(shí)驗(yàn)變 得簡 單。TensorFlow Serving 提供了與 TensorFlow 模型開箱即用的整合，但同時(shí)還能很 容易擴(kuò)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(yùn)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(dòng)設(shè)備上部署你的訓(xùn)練模型，而無需執(zhí)行單獨(dú)的模型解碼器或者加載 Python 解釋器。

TensorFlow 支持細(xì)粒度的網(wǎng)格層，而且允許用戶在無需用低級(jí)語言實(shí)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(duì)調(diào)試復(fù)雜的計(jì)算圖模型很有幫助。

分布式 TensorFlow（Distributed TensorFlow）被加進(jìn)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(gè)框架作為一個(gè)免費(fèi)的大規(guī)模在線開放課程進(jìn)行教授。

TensorFlow 的缺點(diǎn)如下：

TensorFlow 的每個(gè)計(jì)算流都必須構(gòu)造為一個(gè)靜態(tài)圖，且缺乏符號(hào)性循環(huán)（symbolic loops），這會(huì)帶來一些計(jì)算困難。

沒有對(duì)視頻識(shí)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(duì)手。

Caffe

地址：http://caffe.berkeleyvision.org/

Caffe 是賈揚(yáng)清的杰作，目前他在 Facebook AI 平臺(tái)擔(dān)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(jí)深度學(xué)習(xí)工具包。正因?yàn)?Caffe 優(yōu)秀的卷積模型，它已經(jīng)成為計(jì)算機(jī)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(shí)驗(yàn)研究和商業(yè)部署。Caffe 可在英偉達(dá)單個(gè) 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(xí)一張圖片的速度，而且最新的版本處理速度會(huì)更快。

Caffe 基于 C++，因此可在多種設(shè)備上編譯。它跨平臺(tái)運(yùn)行，并包含 Windows 端口。Caffe 支持 C++、Matlab 和 Python 編程接口。Caffe 擁有一個(gè)龐大的用戶社區(qū)，人們?cè)谄渲袨楸环Q為「Model Zoo（https://github.com/BVLC/caffe/wiki/Model-Zoo）」的深度網(wǎng)絡(luò)庫做貢獻(xiàn)。AlexNet 和 GoogleNet 就是社群用戶構(gòu)建的兩個(gè)流行網(wǎng)絡(luò)。

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

Caffe2

地址：https://caffe2.ai/

目前，賈揚(yáng)清和他在 Facebook 的團(tuán)隊(duì)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(dòng)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(gè)實(shí)用腳本，Caffe 上的模型可輕易地被轉(zhuǎn)變到 Caffe2 上。Caffe 設(shè)計(jì)的選擇使得它處理視覺類型的難題時(shí)很完美。Caffe2 延續(xù)了它對(duì)視覺類問題的支持，且增加了對(duì)自然語言處理、手寫識(shí)別、時(shí)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(xí)社區(qū)流行。

在英偉達(dá)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(shí)間展示了 Tesla V100 在 Caffe2 上運(yùn)行 ResNet-50 的評(píng)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

CNTK

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

微軟的 CNTK（Microsoft Cognitive Toolkit）最初是面向語音識(shí)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(shí)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(yùn)算符的符號(hào)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(xì)粒度的網(wǎng)絡(luò)層構(gòu)建。構(gòu)建塊（操作）的細(xì)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(tái)的 CPU/GPU 部署。CNTK 在 Azure GPU Lab 上顯示出最高效的分布式計(jì)算性能。目前，CNTK 不支持 ARM 架構(gòu)，這限制了其在移動(dòng)設(shè)備上的功能。

MXNet

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(shí)驗(yàn)室。MXNet 是一個(gè)全功能、可編程和可擴(kuò)展的深度學(xué)習(xí)框架，支持最先進(jìn)的深度學(xué)習(xí)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(xiàng)目。

MXNet 支持深度學(xué)習(xí)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(shí)間記憶網(wǎng)絡(luò)（LTSM）。該框架為圖像、手寫文字和語音的識(shí)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(kuò)展的強(qiáng)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(duì)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(duì)抗網(wǎng)絡(luò)（GAN）模型。該模型啟發(fā)自實(shí)驗(yàn)經(jīng)濟(jì)學(xué)方法的納什均衡。

Torch

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(dá)），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(dá)）都使用定制版的 Torch 用于人工智能研究，這大大促進(jìn)了 Torch 的開發(fā)。Torch 是 BSD 3 協(xié)議下的開源項(xiàng)目。然而，隨著 Facebook 對(duì) Caffe 2 的研究，以及其對(duì)移動(dòng)設(shè)備的支持，Caffe 2 正成為主要的深度學(xué)習(xí)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(duì) YARN 的支持。缺乏多種編程語言的 API 也限制了開發(fā)人員。

PyTorch

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(shí)驗(yàn)室。它是一種 Python 優(yōu)先的深度學(xué)習(xí)框架，在今年 1 月被開源，提供了兩種高層面的功能：

使用強(qiáng)大的 GPU 加速的 Tensor 計(jì)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(diǎn)是快速成形、代碼可讀和支持最廣泛的深度學(xué)習(xí)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(kuò)展 PyTorch。該框架因?yàn)槠潇`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。

Deeplearning4J

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(jí)深度學(xué)習(xí)網(wǎng)絡(luò)，并通過 Hadoop 和 Spark 協(xié)調(diào)多個(gè)主機(jī)線程。DL4J 使用 Map-Reduce 來訓(xùn)練網(wǎng)絡(luò)，同時(shí)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(yùn)行（對(duì)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(shí)間記憶網(wǎng)絡(luò)（LTSM）。DL4J 還對(duì)矢量化庫 Canova 提供支持。

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

Theano

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

Theano 由蒙特利爾大學(xué)算法學(xué)習(xí)人工智能實(shí)驗(yàn)室（MILA）維護(hù)。以 Theano 的創(chuàng)始人 Yoshua Bengio 為首，該實(shí)驗(yàn)室是深度學(xué)習(xí)研究領(lǐng)域的重要貢獻(xiàn)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(jī)器學(xué)習(xí)算法，在 BSD 協(xié)議下發(fā)布。

Theano 的架構(gòu)如同一個(gè)黑箱；整個(gè)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(hào)圖用于神經(jīng)網(wǎng)絡(luò)編程的趨勢。Theano 的符號(hào)式 API 支持循環(huán)控制（即 scan），這使得實(shí)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(gè) CPU 上運(yùn)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(shí)，使用 Theano 可能會(huì)遇到挑戰(zhàn)。

開源 vs. 非開源

隨著深度學(xué)習(xí)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(huì)開發(fā)具有先進(jìn)人工智能功能的產(chǎn)品，從數(shù)據(jù)中獲取最大收益。風(fēng)險(xiǎn)：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(xí)框架也是兩難問題。在非開源產(chǎn)品中，你是否準(zhǔn)備了退出策略？人工智能的收益會(huì)隨著工具的學(xué)習(xí)能力的進(jìn)步而上升，所以看待這些問題都需要用長遠(yuǎn)的觀點(diǎn)。