主流深度學(xué)習(xí)框架對比

加日拉·買買提熱衣木 常富蓉 劉晨 要秀宏

摘要 目前使用的深度學(xué)習(xí)框架較多，每個框架都有自己的特點。這些深度學(xué)習(xí)框架都完美支持深度神經(jīng)網(wǎng)絡(luò)，深度學(xué)習(xí)訓(xùn)練模型通常是建立在大數(shù)據(jù)基礎(chǔ)上，但是性能和訓(xùn)練成本有所不同。本文對比TensorFlow、Caffe、MXNet等5個主流的深度學(xué)習(xí)框架，分別簡述各自的優(yōu)點和缺點。

【關(guān)鍵詞】TensorFlow 深度學(xué)習(xí) Caffe

1 框架對比

1.1 TensorFlow

對于剛開始學(xué)深度學(xué)習(xí)的人來說，它是他們最喜歡的深度學(xué)習(xí)框架，但在這里我想強調(diào)一個事實。在它的官網(wǎng)上，它被定義為一個用于機器智能的開源軟件庫，但我覺得應(yīng)該這么定義：它是一個使用數(shù)據(jù)流圖進(jìn)行數(shù)值計算的開源軟件庫。在這里，他們沒有將它包含在深度學(xué)習(xí)框架范圍內(nèi)，而是和Theano -起被包含在圖編譯器類別中。

1.1.1 TensorFlow的優(yōu)點

（1）將科研和產(chǎn)品聯(lián)系在一起。在谷歌，科學(xué)家用它嘗試新的算法，產(chǎn)品團(tuán)隊則用它來訓(xùn)練和使用計算模型，并直接提供給在線用戶。

（2）真正的可移植性。它在CPU和GPU上運行，比如說可以運行在臺式機、服務(wù)器、手機移動設(shè)備等等。

（3）高度的靈活性。它不是一個嚴(yán)格的“神經(jīng)網(wǎng)絡(luò)”庫。只要你可以將你的計算表示為一個數(shù)據(jù)流圖。

（4）支持多種語言。

（5）性能最優(yōu)化。由于它給予了線程、隊列、異步操作等以最佳的支持。

1.1.2 TensorFlow的缺點

（1）調(diào)試較難，調(diào)試時出現(xiàn)各種古怪的小問題較多。

（2）底層接口寫起來繁瑣，高層接口又不靈活，而且它的高層封裝不好實現(xiàn)。

（3）它主要面向超大數(shù)據(jù)量的訓(xùn)練，因此計算速度相對較慢。

（4）各個版本之間的兼容性較差，需要進(jìn)一步完善。

1.2 Keras

Keras是一個高層神經(jīng)網(wǎng)絡(luò)API，它由純Python編寫而成并基Tensorflow、Theano以及CNTK后端。它的句法是相當(dāng)明晰的，學(xué)習(xí)文檔也非常好，而且它支持Python語言。我們也能很直觀地了解它的指令、函數(shù)和每個模塊之間的鏈接方式。用它實現(xiàn)一個功能非常簡，只需幾行代碼就能構(gòu)建一個神經(jīng)網(wǎng)絡(luò)。

1.2.1 Keras的優(yōu)點

（1）簡易和快速的原型設(shè)計。

（2）支持CNN和RNN，或二者的結(jié)合。

（3）無縫CPU和GPU切換。

（4）學(xué)習(xí)較容易。

1.2.2 Keras的缺點

（1）不支持seq2seq，因此實現(xiàn)NLP功能較復(fù)雜。

（2） 在TensorFlow backend時，

比TensorFlow較慢。

（3）沒有增強學(xué)習(xí)工具箱，自己修改實現(xiàn)很麻煩。

（4）封裝得較高級，訓(xùn)練細(xì)節(jié)不能修改，不合適算法研究。

1.3 Caffe

它不只是最老牌的框架之一，而是老牌中的老牌。起初的時候它并不是一個通用框架，而僅僅關(guān)注計算機視覺，但它具有非常好的通用性。平時CaffeNet架構(gòu)的訓(xùn)練時間在它中比在Keras中少5倍。如果想給它來一點新改變，那就需要使用C++和CUDA編程，不過也可以使用Python或Matlab接口進(jìn)行一些小改變。它在圖像處理、視頻處理領(lǐng)域廣泛應(yīng)用。

1.3.1 Caffe的優(yōu)點

（1）速度快。谷歌數(shù)據(jù)標(biāo)準(zhǔn)提升了效率。

（2）采用此模型的論文較多。

（3）相對穩(wěn)定。

（4）遷移性較好。

1.3.2 Caffe的缺點

（1）安裝調(diào)試較難。

（2）各個版本之間的兼容性較差。

（3）學(xué)習(xí)文檔較少。

（4）不夠靈活。

1.4 MXNet

它致力于提供兼顧性能與靈活性的深度學(xué)習(xí)框架。作為亞馬遜的優(yōu)秀深度學(xué)習(xí)框架，它也算是性能最好的深度學(xué)習(xí)框架之一。它提供了類似于Theano與TensorFlow的數(shù)據(jù)流圖，并且支持多GPU配置，提供了類似于Lasagne與Blocks的相對高階的模型構(gòu)建快，還能運行在多種硬件設(shè)備上。它提供了基于Python、R、Julia、C++、Scala、Matlab、JavaScript的多種接口。如果專注于效率，那么它是較好的選擇。

1.4.1 MXNet的優(yōu)點

（1）相當(dāng)快的評測結(jié)果。

（2）徹底的靈活性。

（3）支持多GPU訓(xùn)練。

（4）支持多種設(shè)備。

1.4.2 MXNet的缺點

（1）學(xué)習(xí)社區(qū)較小，學(xué)習(xí)文檔較少。

（2）數(shù)據(jù)流圖比Theano差。

（3）安裝調(diào)試較麻煩。

1.5 CNTK

它是微軟公司在深度學(xué)習(xí)與人工智能領(lǐng)域的研究成果計算網(wǎng)絡(luò)工具。據(jù)微軟研究員說法，它在語音和圖像辨識能力方面。在公開的基準(zhǔn)測試上的表現(xiàn)來看，這個工具似乎很強勁，支持縱向和橫向的推移。它目前支持的語言是C++，微軟將來會推出支持C#和Python語言的版本。

1.5.1 CNTK的優(yōu)點

（1）速度較快。

（2）支持多GPU訓(xùn)練。

（3）很容易上手。

（4）學(xué)習(xí)文檔較規(guī)范。

1.5.2 CNTK的缺點

（1）學(xué)習(xí)社區(qū)較小。

（2）不支持移動設(shè)備。

（3）只支持C++語言。

參考文獻(xiàn)

[1]何希平，劉波，深度學(xué)習(xí)理論與實踐[M].北京：科學(xué)出版社，2017.

[2]張重生，深度學(xué)習(xí)：原理與應(yīng)用實踐[M].北京：電子工業(yè)出版社，2016，

[3]阿布胥嘉幸，機器學(xué)習(xí)之路[M].北京：電子工業(yè)出版社，2017.

[4] Antonio Gulli. Deep Learning withKeras [M]. Packt Publishing， 2017.

[5]樂毅.深度學(xué)習(xí) Caffe之經(jīng)典模型詳解與實戰(zhàn)[M].北京：電子工業(yè)出版社.2016.

[6]謝梁.Keras快速上手：基于Py thon的深度學(xué)習(xí)實戰(zhàn)[M].北京：電子工業(yè)出版社.2017.