概述

從出道起，我就一直是一名程序員。我喜歡從頭開始編寫代碼，這有助于我清楚地理解主題（或技巧）。當我們剛開始學習數據科學時，這種方法尤為有用。

嘗試從無到有地實現一個神經網絡，你將會明白很多有趣的事情。但是當需要為現實世界的數據集構建深度學習模型時，這還是一個不錯的主意嗎？如果你需要幾天或幾周的時間來建立起模型，這是完全不可能的。

對于那些無法訪問無限計算資源的人來說，你們已經來到了正確的地方。

值得慶幸的是，我們現在已經有了易于使用的開源深度學習框架，旨在簡化復雜和大規模深度學習模型的實現。使用這些神奇的框架，我們可以實現諸如卷積神經網絡這樣復雜的模型。

在本文中，將介紹5種非常有用的深度學習框架、它們的優點以及應用。我們將對每個框架進行比較，以了解何時何地可以使用它們。

我們還創建了一個非常酷的針對每個深度學習框架的信息圖表，附在在文章的末尾，為每個數據科學家所必備。

目錄

一、什么是深度學習框架？

二、TensorFlow

三、Keras

四、PyTorch

五、Caffe

六、Deeplearning4j

七、五個深度學習框架之間的對比

一、什么是深度學習框架？

讓我們用一個例子來理解這個概念，來看以下圖像集合：

在這個圖像中有不同的分類：貓，駱駝，鹿，大象等。我們的任務是將這些圖像歸到相應的類（或類別）中。用Google搜索一下就能知道：卷積神經網絡（CNNs）對于這類圖像分類任務十分有效。

我們要做的工作就是實現這個模型，對嗎？如果從頭開始編寫一個卷積神經網絡，則需要幾天（甚至幾周）才能得到一個有效的模型，我們卻沒法等這么長的時間！

這正是深度學習框架真正改變了局面的地方。

深度學習框架是一種界面、庫或工具，它使我們在無需深入了解底層算法的細節的情況下，能夠更容易、更快速地構建深度學習模型。深度學習框架利用預先構建和優化好的組件集合定義模型，為模型的實現提供了一種清晰而簡潔的方法。

利用恰當的框架來快速構建模型，而無需編寫數百行代碼，一個良好的深度學習框架具備以下關鍵特征：

優化的性能

易于理解和編碼

良好的社區支持

并行化的進程，以減少計算

自動計算梯度

這五點也是我用來挑選五大頂級深度學習框架的標準。下面讓我們詳細研究一下它們。

二、TensorFlow

TensorFlow是由谷歌大腦團隊的研究人員和工程師開發的，它是深度學習領域中最常用的軟件庫（盡管其他軟件正在迅速崛起）。

我喜歡TensorFlow的原因有兩點：它完全是開源的，并且有出色的社區支持。TensorFlow為大多數復雜的深度學習模型預先編寫好了代碼，比如遞歸神經網絡和卷積神經網絡。

TensorFlow如此流行的最大原因之一是支持多種語言來創建深度學習模型，比如Python、C和R，并且有不錯的文檔和指南。

TensorFlow有許多組件，其中最為突出的是：

Tensorboard：幫助使用數據流圖進行有效的數據可視化

TensorFlow：用于快速部署新算法/試驗

TensorFlow的靈活架構使我們能夠在一個或多個CPU（以及GPU）上部署深度學習模型。下面是一些典型的TensorFlow用例：

基于文本的應用：語言檢測、文本摘要

圖像識別：圖像字幕、人臉識別、目標檢測

聲音識別

時間序列分析

視頻分析

用例遠遠不止這些，如果你知道TensorFlow還有以上所述之外的其他應用，我很樂意知道！可以在本文的評論部分告訴我，我們再做討論。

安裝TensorFlow也是一個非常簡單的任務。

對于CPU：

pip install tensorflow

對于啟用CUDA的GPU卡：

pip install tensorflow-gpu

通過以下綜合教程了解如何使用TensorFlow建立神經網絡模型：

利用TensorFlow實現神經網絡簡介

https://www.analyticsvidhya.com/blog/2016/10/an-introduction-to-implementing-neural-networks-using-tensorflow/?utm_source=blog&utm_medium=comparison-deep-learning-framework

TensorFlow教程

https://www.tensorflow.org/tutorials

三、Keras

你習慣使用Python嗎？如果是，那么可以立即連接到Keras。這是一個開啟你的深度學習之旅的完美的框架。

Keras用Python編寫，可以在TensorFlow（以及CNTK和Theano）之上運行。TensorFlow的接口具備挑戰性，因為它是一個低級庫，新用戶可能會很難理解某些實現。

而Keras是一個高層的API，它為快速實驗而開發。因此，如果希望獲得快速結果，Keras會自動處理核心任務并生成輸出。Keras支持卷積神經網絡和遞歸神經網絡，可以在CPU和GPU上無縫運行。

深度學習的初學者經常會抱怨：無法正確理解復雜的模型。如果你是這樣的用戶，Keras便是你的正確選擇！它的目標是最小化用戶操作，并使其模型真正容易理解。

可以將Keras中的模型大致分為兩類：

1. 序列化

模型的層是按順序定義的。這意味著當我們訓練深度學習模型時，這些層次是按順序實現的。下面是一個順序模型的示例：

from keras.models import Sequentialfrom keras.layers import Densemodel = Sequential()# we can add multiple layers to the model using .add()model.add(Dense(units=64, activation='relu', input_dim=100))model.add(Dense(units=10, activation='softmax'))

2. Keras 函數API

用于定義復雜模型，例如多輸出模型或具有共享層的模型。請查看下面的代碼來理解這一點：

from keras.layers import Input, Densefrom keras.models import Modelinputs = Input(shape=(100,)) # specify the input shapex = Dense(64, activation='relu')(inputs)predictions = Dense(10, activation='softmax')(x)model = Model(inputs=inputs, outputs=predictions)

Keras有多種架構，如下所述，用于解決各種各樣的問題，其中包括我的最愛之一：圖像分類！

VGG 16

VGG 19

InceptionV 3

Mobilenet及更多

可以參考官方的Keras文檔來詳細了解框架是如何工作的。

Keras官方中文文檔

https://keras.io/zh/

僅需一行代碼即可安裝Keras：

pip install keras

對Keras感興趣？可以繼續學習以下教程，了解如何使用Keras實現神經網絡：

基于Keras的神經網絡優化

https://www.analyticsvidhya.com/blog/2016/10/tutorial-optimizing-neural-networks-using-keras-with-image-recognition-case-study/?utm_source=blog&utm_medium=comparison-deep-learning-framework

四、PyTorch

還記得我們說過TensorFlow是目前最常用的深度學習框架嗎？但是如果考慮到數據科學家和開發者們擁抱Facebook的PyTorch的速度，那它可能很快就要落伍了。

我是PyTorch的擁護者，在我所研究過的框架中，PyTorch最富靈活性。

PyTorch是Torch深度學習框架的一個接口，可用于建立深度神經網絡和執行張量計算。Torch是一個基于Lua的框架，而PyTorch則運行在Python上。

PyTorch是一個Python包，它提供張量計算。張量是多維數組，就像numpy的ndarray一樣，它也可以在GPU上運行。PyTorch使用動態計算圖，PyTorch的Autograd軟件包從張量生成計算圖，并自動計算梯度。

與特定功能的預定義的圖表不同，PyTorch提供了一個框架，用于在運行時構建計算圖形，甚至在運行時也可以對這些圖形進行更改。當不知道創建神經網絡需要多少內存的情況下，這個功能便很有價值。

可以使用PyTorch處理各種來自深度學習的挑戰，包括：

影像（檢測、分類等）

文本(NLP)

增強學習

想知道如何在機器上安裝PyTorch，請稍等片刻。安裝步驟取決于操作系統、需要安裝的PyTorch包、正在使用的工具/語言、CUDA等其他一些因素。

根據此鏈接的內容檢查PyTorch安裝步驟，準備好框架之后，再檢查以下兩個資源，利用PyTorch構建第一個神經網絡：

學習如何使用PyTorch來構建快速和準確的神經網絡-4個不錯的案例研究

https://www.analyticsvidhya.com/blog/2019/01/guide-pytorch-neural-networks-case-studies/https://www.analyticsvidhya.com/blog/2019/01/guide-pytorch-neural-networks-case-studies/?utm_source=blog&utm_medium=comparison-deep-learning-framework

PyTorch教程

https://pytorch.org/tutorials/beginner/deep_learning_60min_blitz.html

五、Caffe

CAFE是另一個面向圖像處理領域的、比較流行的深度學習框架，它是由賈陽青（Yangqing Jia）在加利福尼亞伯克利大學讀博士期間開發的。同樣，它也是開源的！

首先，Caffe對遞歸網絡和語言建模的支持不如上述三個框架。但是Caffe最突出的地方是它的處理速度和從圖像中學習的速度。

Caffe可以每天處理超過六千萬張圖像，只需單個NVIDIA K40 GPU，其中 1毫秒/圖像用于推理，4毫秒/圖像用于學習。

它為C、Python、MATLAB等接口以及傳統的命令行提供了堅實的支持。

通過Caffe Model Zoo框架可訪問用于解決深度學習問題的預訓練網絡、模型和權重。這些模型可完成下述任務：

簡單的遞歸

大規模視覺分類

用于圖像相似性的SiameSE網絡

語音和機器人應用

有關更多細節，您可以查看Caffe相關文檔。

Caffe安裝文檔

http://caffe.berkeleyvision.org/installation.html

Caffe文檔

http://caffe.berkeleyvision.org/

六、Deeplearning4j

我們社區中有Java程序員嗎？這是你理想的深度學習框架！Deeplearning4j是用Java實現的，因此與Python相比效率更高。它使用稱為ND4J的張量庫，提供了處理n維數組（也稱為張量）的能力。該框架還支持CPU和GPU。

Deeplearning4j將加載數據和訓練算法的任務作為單獨的過程處理，這種功能分離提供了很大的靈活性。誰都喜歡這樣，尤其是在深度學習中！

Deeplearning4j也適用于不同的數據類型：

圖像

CSV

純文本等

可以使用Deeplearning4j構建的深度學習模型有：

卷積神經網絡(CNNs)

遞歸神經網絡(RNNs)

長短時記憶(LSTM)等多種結構

閱讀Deeplearning4j的安裝步驟和文檔，開始使用這個框架。

Deeplearning4j安裝步驟

https://deeplearning4j.org/docs/latest/deeplearning4j-config-gpu-cpu

Deeplearning4j文檔

https://deeplearning4j.org/docs/latest/deeplearning4j-quickstart

七、五種深度學習框架之間的對比

上面已經討論了五個最流行的深度學習框架，每一個都獨具特性，那么數據科學家會如何做出選擇呢。

你決定用哪一種了嗎？或者你打算換一個全新的框架？不管是什么情況，了解每個框架的優點和局限性非常重要。如果選對了正確的框架，當遇到錯誤時，便不會感到驚訝了！

某些框架在處理圖像數據時工作得非常好，但無法解析文本數據；某些框架在處理圖像和文本數據時，性能很好，但是它們的內部工作原理很難理解。

在本節中，將使用以下標準比較這五個深度學習框架：

社區支持力度

使用的語言

接口

對預訓練的模型的支持

下表對這些框架進行了比較：

對于選擇使用的框架來說，這是一個非常方便的對比表！

所有這些框架都是開源的，支持CUDA，并有預訓練的模型。但是，應該如何正確開始，應該選擇哪個框架來構建（初始）深度學習模型？讓我們來做詳細的討論！

TensorFlow

我們先來說說TensortFlow。TensorFlow能處理圖像以及基于序列的數據，如果你是深度學習的初學者，或者對線性代數和微積分等數學概念沒有堅實的基礎，那么TensortFlow的學習曲線將會令人畏懼地陡峭。

我完全理解，對于剛起步的人來說，這可能太復雜。但我建議你不斷練習，不斷探索社區，并繼續閱讀文章以掌握TensorFlow的訣竅。一旦對這個框架有了一個很好的理解，實現一個深度學習模型對你來說將是易如反掌。

Keras

Keras是一個非常堅實的框架，可以開啟深度學習之旅。如果你熟悉Python，并且沒有進行一些高級研究或開發某種特殊的神經網絡，那么Keras適合你。

Keras的重點更多地放在取得成果上，而不是被模型的復雜之處所困擾。因此，如果有一個與圖像分類或序列模型相關的項目，可以從Keras開始，很快便可以構建出一個工作模型。

Keras也集成在TensorFlow中，因此也可以使用tf.keras.構建模型。

Caffe

在圖像數據上構建深度學習模型時，Caffe是不錯的選擇。但是，當談到遞歸神經網絡和語言模型時，Caffe落后于我們討論過的其他框架。Caffe的主要優點是，即使沒有強大的機器學習或微積分知識，也可以構建出深度學習模型。

Caffe主要用于建立和部署移動電話和其他計算受限平臺的深度學習模型。

Deeplearning4j

正如之前所述，DeepleEarning4J是Java程序員的天堂。它為CNNS、RNN和LSTMS等不同的神經網絡提供了大量的支持，它在不犧牲速度的情況下可以處理大量數據。聽起來不錯，有機會通過！

后記及圖示信息圖

除了文中提及的五種深度學習框架之外，你有沒有其他的深度學習框架？很想聽聽你的想法和反饋。請在下面的評論部分與我聯系。

記住，這些框架基本上只是幫助我們實現最終目標的工具，正確地選擇它們可以減少大量的精力和時間。

最后附上資訊插圖，詳細介紹了我們所涵蓋的每個深度學習框架。下載它，打印它，并在下次構建深度學習模型時使用它吧！