8种主流深度学习框架介绍

冥俯地狱 · 发表于 2023-5-12 08:59:37

框架名称：TensorFlow
主要维护方：Google
撑持的语言：C++/Python/Java/R 等
GitHub源码地址：https://github.com/tensorflow/tensorflow

框架名称：Keras
主要维护方：Google
撑持的语言：Python/R
GitHub源码地址：https://github.com/keras-team/keras

框架名称：Caffe
主要维护方：BVLC
撑持的语言：C++/Python/Matlab
GitHub源码地址：https://github.com/BVLC/caffe

框架名称：PyTorch
主要维护方：Facebook
撑持的语言：C/C++/Python
GitHub源码地址：https://github.com/pytorch/pytorch

框架名称：Theano
主要维护方：UdeM
撑持的语言：Python
GitHub源码地址：https://github.com/Theano/Theano

框架名称：CNTK
主要维护方：Microsoft
撑持的语言：C++/Python/C#/.NET/Java/R
GitHub源码地址：https://github.com/Microsoft/CNTK

框架名称：MXNet
主要维护方：DMLC
撑持的语言：C++/Python/R等
GitHub源码地址：https://github.com/apache/incubator-mxnet

框架名称：PaddlePaddle
主要维护方：Baidu
撑持的语言：C++/Python
GitHub源码地址：https://github.com/PaddlePaddle/Paddle/

框架名称：Deeplearning4j
主要维护方：Eclipse
撑持的语言：Java/Scala等
GitHub源码地址：https://github.com/eclipse/deeplearning4j

框架名称：ONNX
主要维护方：Microsoft/ Facebook
撑持的语言：Python/R
GitHub源码地址：https://github.com/onnx/onnx

下面开始对各框架进行概述，让读者对各个框架有个简单的认知，具体的安装及使用方式不在本文赘述。

01 TensorFlow

谷歌的TensorFlow可以说是当今最受欢迎的开源深度学习框架，可用于各类深度学习相关的任务中。TensorFlow = Tensor + Flow，Tensor就是张量，代表N维数组；Flow即流，代表基于数据流图的计算。
TensorFlow是目前深度学习的主流框架，其主要特性如下所述。

TensorFlow撑持Python、JavaScript、C ++、Java、Go、C＃、Julia和R等多种编程语言。
TensorFlow不仅拥有强大的计算集群，还可以在iOS和Android等移动平台上运行模型。
TensorFlow编程入门难度较大。初学者需要仔细考虑神经网络的架构，正确评估输入和输出数据的维度和数量。
TensorFlow使用静态计算图进行操作。也就是说，我们需要先定义图形，然后运行计算，如果我们需要对架构进行更改，则需要从头训练模型。选择这样的方式是为了提高效率，但是许多现代神经网络东西已经能够在学习过程中改良，而且不会显著降低学习速度。在这方面，TensorFlow的主要竞争对手是PyTorch。

RStudio提供了R与TensorFlow的API接口，RStudio官网及GitHub上也提供了TensorFlow扩展包的学习资料。

02 Keras

Keras是一个对小白用户非常友好且简单的深度学习框架。如果想快速入门深度学习， Keras将是不错的选择。
Keras是TensorFlow高级集成API，可以非常便利地和TensorFlow进行融合。Keras在高层可以调用TensorFlow、CNTK、Theano，还有更多优秀的库也在被陆续撑持中。Keras的特点是能够快速搭建模型，是高效地进行科学研究的关键。
Keras的基本特性如下：

高度模块化，搭建网络非常简洁；
API简单，具有统一的风格；
易扩展，易于添加新模块，只需要仿照现有模块编写新的类或函数即可。

RStudio提供了R与Keras的API接口，RStudio的官网及GitHub上也提供了Keras扩展包的学习资料。

03 Caffe

Caffe是由AI科学家贾扬清在加州大学伯克利分校读博期间主导开发的，是以C++/CUDA代码为主的早期深度学习框架之一，比TensorFlow、MXNet、PyTorch等都要早。Caffe需要进行编译安装，撑持命令行、Python和Matlab接口，单机多卡、多机多卡等都可以很便利使用。
Caffe的基本特性如下。

以C++/CUDA/Python代码为主，速度快，性能高。
工厂设计模式，代码布局清晰，可读性和可拓展性强。
撑持命令行、Python和Matlab接口，使用便利。
CPU和GPU之间切换便利，多GPU训练便利。
东西丰硕，社区活跃。

同时，Caffe的错误谬误也斗劲明显，主要包罗如下几点。

源代码改削门槛较高，需要实现正向/反向传布。
不撑持自动求导。
不撑持模型级并行，只撑持数据级并行。
不适合非图像任务。

虽然Caffe已经提供了Matlab和Python接口，但目前不撑持R语言。caffeR为Caffe提供了一系列封装功能，允许用户在R语言上运行Caffe，包罗数据预措置和网络设置，以及监控和评估训练过程。该包还没有CRAN版本，感兴趣的读者可以在GitHub找到caffeR包的安装及使用的相关内容。
https://github.com/cnaumzik/caffeR

04 PyTorch

PyTorch是Facebook团队于2017年1月发布的一个深度学习框架，虽然晚于TensorFlow、Keras等框架，但自发布之日起，其受到的存眷度就在不竭上升，目前在GitHub上的热度已经超过Theano、Caffe、MXNet等框架。
PyTroch主要提供以下两种核心功能：

撑持GPU加速的张量计算；
便利优化模型的自动微分机制。

PyTorch的主要长处如下。

简洁易懂：PyTorch的API设计相当简洁一致，基本上是tensor、autograd、nn三级封装，学习起来非常容易。
便于调试：PyTorch采用动态图，可以像普通Python代码一样进行调试。分歧于TensorFlow，PyTorch的报错说明凡是很容易看懂。
强大高效：PyTorch提供了非常丰硕的模型组件，可以快速实现想法。

05 Theano

Theano诞生于2008年，由蒙特利尔大学的LISA尝试室开发并维护，是一个高性能的符号计算及深度学习框架。它完全基于Python，专门用于对数学表达式的定义、求值与优化。得益于对GU的透明使用，Theano尤其适用于包含高维度数组的数学表达式，而且计算效率斗劲高。
因Theano呈现的时间较早，后来涌现出一批基于Theano的深度学习库，并完成了对Theano的上层封装以及功能扩展。在这些派生库中，斗劲著名的就是本书要学习的Keras。Keras将一些基本的组件封装成模块，使得用户在编写、调试以及阅读网络代码时更加清晰。

06 CNTK

CNTK（Microsoft Cognitive Toolkit）是微软开源的深度学习东西包，它通过有向图将神经网络描述为一系列计算法式。在有向图中，叶节点暗示输入值或网络参数，其他节点暗示其输入上的矩阵运算。
CNTK允许用户非常轻松地实现和组合风行的模型，包罗前馈神经网络（DNN）、卷积神经网络（CNN）和循环神经网络（RNN、LSTM）。与目前大部门框架一样，CNTK实现了自动求导，操作随机梯度下降方式进行优化。
CNTK的基本特性如下。

CNTK性能较好，按照其官方的说法，它比其他的开源框架性能都要好。
适合做语音任务，CNTK本就是微软语音团队开源的，自然更适合做语音任务，便于在使用RNN等模型以及时空尺度时进行卷积。

微软开发的CNTK-R包提供了R与CNTK的API接口。感兴趣的读者可以通过以下网址进行学习。

07 MXNet

MXNet框架允许混合符号和命令式编程，以最大限度地提高效率和出产力。MXNet的核心是一个动态依赖调剂法式，可以动态地自动并行化符号和命令操作。其图形优化层使符号执行更快，内存效率更高。
MXNet的基本特性如下。

灵活的编程模型：撑持命令式和符号式编程模型。
多语言撑持：撑持C++、Python、R、Julia、JavaScript、Scala、Go、Perl等。事实上，它是独一撑持所有R函数的构架。
当地分布式训练：撑持在多CPU/GPU设备上的分布式训练，使其可充实操作云计算的规模优势。
性能优化：使用一个优化的C++后端引擎实现并行I/O和计算，无论使用哪种语言都能达到最佳性能。
云端友好：可直接与S3、HDFS和Azure兼容。

08 ONNX

ONNX（Open Neural Network eXchange，开放神经网络交换）项目由微软、亚马逊、Facebook和IBM等公司共同开发，旨在寻找呈现开放格式的深度学习模型。ONNX简化了在人工智能分歧工作方式之间传递模型的过程，具有各种深度学习框架的长处。
ONNX的基本特性如下。

ONNX使模型能够在一个框架中进行训练并转移到另一个框架中进行预测。
ONNX模型目前在Caffe2、CNTK、MXNet和PyTorch中得到撑持，而且还有与其他常见框架和库的连接器。

onnx-r包提供了R与ONNX的API接口。感兴趣的读者可以通过以下网址进行学习。

		自动登录	找回密码
密码			立即注册

8种主流深度学习框架介绍

本帖子中包含更多资源