深度学习主流开源框架：Caffe、TensorFlow、Pytorch、Theano、Keras、MXNet、Chainer

02-29 1194阅读

2.6 深度学习主流开源框架

表2.1 深度学习主流框架参数对比

框架关键词总结

框架	关键词	基本数据结构（都是高维数组）
Caffe	“在工业中应用较为广泛”，“编译安装麻烦一点”	Blob
TensorFlow	“安装简单pip”	Tensor
Pytorch	“定位：快速实验研究”，“简单”，“灵活”	Tensor
Theano	× “用于处理大规模神经网络的训练”，“不支持移动设备”，“不能应用于工业环境”，“编译复杂模型时间非常久”
Keras	“高度模块化”，“适合在探索阶段能快速尝试各种网络结构”，“从CPU上计算切换到GPU加速无需任何代码的改动”，“适用于复杂模型”
MXNet	“轻量级”、“AWS官方推荐的深度学习框架”，“可在小内存上训练深度神经网络模型”，“可在移动设备上运行图像识别等任务”
Chainer	“为复杂神经网络的实现提供了更大的灵活性”，“已在丰田汽车、松下和FANUC 等公司投入使用”

2.6.1 Caffe简介

Caffe是基于C++语言以及CUDA开发的框架，支持MATLAB、Python接口和命令行，可以直接在GPU和CPU中进行切换，训练效率有保障，在工业中应用较为广泛。

优点：

在Caffe中，网络层通过C++定义，网络配置使用Protobu定义，可以较方便地进行深度网络的训练与测试。
Caffe代码易懂、好理解、搞笑、使用、上手简单，比较成熟和完善，实现基础算法方法快捷，适合工业快速应用与部署。
Caffe保留所有的有向无向环图，确保能正确的进行前向传播和反向传播，Caffe是一个典型的端到端的机器学习系统。
√每一个Caffe网络都开始于数据层，结束于损失函数层。
结构：

Caffe通过Blob以四维数组的方式存储和传递数据。

Caffe还提供了一套完整的层类型。一个层（Layer）是一个神经网络层的本质，它采用一个或多个Blob作为输入并产生一个或多个Blob作为输出。

缺点：
- 编译安装稍微麻烦一点（相对于TenorFlow等使用pip一键安装的方式）
  1. 以Ubuntu16.04为例，官网的安装脚本足够用了，有一些依赖库。
  2. 装完之后，去Git上复制代码（https://github.com/BVLC/caffe），修改Makefile.config就可以编译安装了。
    
    注意：对于GPU安装，还需要安装CUDA以及NVIDIA驱动
  关键词：“在工业中应用较为广泛”，“编译安装麻烦一点”
  
  2.6.2 TensorFlow简介
  
  TensorFlow是Google Brain推出的开源机器学习库，与Caffe一样，主要用于深度学习的相关任务
  
  结构：
  - TensorFlow中的Tensor就是张量，代表N维数组，与Caffe中的blob是类似的。
  - Flow是流，代表基于数据流图的计算。
    神经网络的运算过程就是数据从一层流到下一层，TensorFlow更直接地强调了这个过程。
    
    最大特点是计算图，即先定义好图，然后进行运算，因此所有的TensorFlow代码都包含两部分：
    - 第一部分：创建计算图。表示计算的数据流，实际上就是定义好一些操作，可以将它看做Caffe中Prototxt的定义过程
    - 第二部分：运行会话。执行图中的运算，可以看做Caffe中的训练过程，只是TensorFlow的会话比Caffe灵活很多。因为是Python接口，所以取中间的结果分析和debug等方便很多。
      优点：
      - 与Caffe相比，TensorFlow的安装简单很多，一个pip命令就可以解决。
      - TensorFlow不止局限于神经网络，其数据流式图支持非常自由的算法表达，可以轻松实现深度学习以外的机器学习算法
      - 在TensorFlow中定义新的节点时只需要写一个Python函数，如果没有对应的底层运算核，则需要编写C++或者CUDA代码来实现运算操作。
      - TensorFlow还支持深度强化学习及其他计算密集的科学计算（如偏微分方程求解等）
        缺点：
        
        TensorFlow采用静态图，先定义好图，然后再Session中运算。图一旦定义好后是不能随意修改的。目前，TensorFlow虽然也引入了动态图机制Eager Execution，只是不如Pytorch直观。
        TensorFlow学习成本高，对新手来说，Tensor、Variable、Session等概念众多，数据读取接口频繁更新，tf.nn、tf.layers、tf.contrib各自重复。
        关键词：“安装简单pip”
        
        2.6.3 PyTorch简介
        
        Torch是纽约大学的一个机器学习开源框架，几年前在学术界非常流行。但是由于其初始只支持Lua语言，导致其没有普及。随着Python的生态越来越完善，Facebook人工智能研究院推出了Pytorch并将其开源。
        
        Pytorch不是简单地封装Torch并提供Python接口，而是对Tensor以上的所有代码进行了重构，同TensorFlow一样，增加了自动求导功能。
        Pytorch的定位是快速实验研究，因此可直接用Python写新层。之后Caffe2被全部并入PyTorch，如今已经成为非常流行的框架。
        特点：
        
        动态图计算
        
        Pytorch就像是脚本语言，可以随时随地地修改，随处调试，没有一个类似编译的过程，比TensorFlow灵活很多
        
        简单
        
        从Tensor到Variable再到nn.Module，是从数据张量到网络的抽象层次的递进
        
        注：在Pytorch中，Tensor的使用与NumPy的数组非常相似，二者可以互转且共享内存。
        
        通过调用torch.cuda.is_available()函数，可以检查Pytorch中是否有可用的CUDA
        
        关键词：“定位：快速实验研究”，“简单”，“灵活”
        
        2.6.4 Theano简介
        
        Theano由蒙特利尔大学Lisa Lab团队开发并维护，它是一个高性能的符号计算及深度学习库，用于处理大规模神经网络的训练。
        
        优点：
        
        Theano整合了Numpy，可以直接使用ndarray等功能，无需直接进行CUDA编码即可方便地进行神经网络结构设计。【因为其核心是数学表达式编辑器，计算稳定性好，所以可以精确地计算输出值很小的函数（如log(1+x)）】
        支持Linux、MacOS、Windows
        缺点：
        
        没有底层C++的接口，模型的部署非常不方便，需要以来各种Python库，并且不支持各种移动设备，因此其几乎没有在工业生产环境中应用。
        在CPU上的执行性能比较差，但在单GPU上的执行效率不错，性能和其他框架类似
        Theano运算时需要将用户的Python代码转换为CUDA代码，再编译为二进制可执行文件，编译复杂模型的时间非常久。
        Theano在导入时也比较慢，而且一旦设定了选择某块GPU，就无法切换到其他设备
        关键词：× “用于处理大规模神经网络的训练”，“不支持移动设备”，“不能应用于工业环境”，“编译复杂模型时间非常久”
        
        2.6.5 Keras简介
        
        Keras是一个高度模块化的神经网络库，用Python实现，可以同时运行在TensorFlow和Theano上。
        
        优点：
        
        Keras无需额外的文件来定义模型，仅通过编程的方式改变模型结构和调整超参数，旨在让用户进行最快速的原型实验，因此适合在探索阶段快速地尝试各种网络结构。
        
        Keras组件都是可插拔的模块，使用时只需要将一个个组件（如卷积层和激活函数等）连接起来即可，在Keras中通过几行代码就能实现MLP，AlexNet的实现也只需要十几行代码。
        
        Keras专注于深度学习（Theano和TensorFlow的计算图支持更通用的计算）。同时支持卷积网络和循环网络，支持级联的模型或任意的图结构模型，从CPU上计算切换到GPU加速无需任何代码的改动。
        
        节约尝试新网络结构的时间。
        
        Keras底层使用的是Theano或TensorFlow，用Keras训练模型相比于前两者基本没有性能损耗（还可以享受前两者持续开发带来的性能提升），只是简化了编程的复杂度，节约了尝试新网络结构的时间。
        
        即模型越复杂，使用Keras的收益越大，尤其是在高度依赖全职共享、多模型组合和多任务学习等模型上，Keras表现得非常突出。
        
        缺点：
        
        但是设计新模块或者新的Layer时则不太方便。
        关键词：“高度模块化”，“适合在探索阶段能快速尝试各种网络结构”，“从CPU上计算切换到GPU加速无需任何代码的改动”，“适用于复杂模型”
        
        2.6.6 MXNet简介
        
        MXNet 是DMLC(Distributed Machine Learning Community)开发的一款开源的、轻量级、可移植、灵活的深度学习库，它让用户可以灵活地混合使用符号编程模式和指令式编程模式，以达到效率最大化，目前它已经是AWS官方推荐的深度学习框架。
        
        优点：
        
        MXNet是在各个框架中率先支持多GPU 和分布式的框架，同时其分布式性能也非常高。MXNet的核心是一个动态的依赖调度器，支持自动将计算任务并行化到多个GPU 或分布式集群(支持AWS、Azure、Yarn 等)上。
        
        基于上层的计算图优化算法不仅加速了符号计算的过程，而且内存占用较小。开启镜像模式之后，甚至可以在小内存的GPU上训练深度神经网络模型，同样可以在移动设备(如Android和iOS)上运行基于深度学习的图像识别等任务。
        
        缺点：
        
        训练时间长
        MXNet支持多语言封装，基本涵盖所有主流的脚本语言，如MATLAB、JavaScript、Julia、C++、Python 和R 语言等。虽然MXNet构造并训练网络的时间长于高度封装类框架 Keras 和PyTorch,但是明显短于Theano框架。
        
        关键词：“轻量级”、“AWS官方推荐的深度学习框架”，“可在小内存上训练深度神经网络模型”，“可在移动设备上运行图像识别等任务”
        
        2.6.7Chainer 简介
        
        Chainer 是一个由Preferred Networks公司推出并获得英特尔支援,专门为高效研究和开发深度学习算法而设计的开源框架。Chainer使用纯Python 和NumPy提供了一个命令式的API，为复杂神经网络的实现提供了更大的灵活性。
        
        优点：
        
        在训练时“实时”构建计算图，非常适合此类复杂神经网络的构建。这种方法可以让用户在每次前向计算时根据条件更改计算图。同时也可以很容易地使用标准调试器和分析器来调试和重构基于Chainer 的代码。
        支持最新的优化方法、序列化方法以及使用CuPy的由CUDA驱动的更快速的计算方法，目前已在丰田汽车、松下和FANUC 等公司投入使用。
        关键词：“为复杂神经网络的实现提供了更大的灵活性”，“已在丰田汽车、松下和FANUC 等公司投入使用”
        
        参考文献：
        
        《深度学习之图像识别核心算法与实战案例（全彩版）》言有三著
        
        出版社：清华大学出版社
        
        出版时间：2023年7月第一版（第一次印刷）
        
        ISBN：978-7-302-63527-7