[讨论] 深度学习框架的相关讨论

开源生态非常完善，为人熟知的深度学习相关的开源框架就有caffe，tensorflow，pytorch/caffe2，keras，mxnet，paddldpaddle，theano，cntk，deeplearning4j，matconvnet等，除此之外还有tiny-dnn，ConvNetJS，MarVin，Neon等等小众，以及CoreML等移动端框架。网上给出的调查表，如下：

在选择开源框架时，要考虑很多原因，如开源生态的完善性，项目的需求，编程语言。对于选择什么样的框架的参考建议：

(1) 一般来说，tensorflow/pytorch必须会，这是目前开发者最喜欢，开源项目最丰富的两个框架。

(2) 如果你要进行移动端算法的开发，那么Caffe是不能不会的。

(3) 如果你非常熟悉Matlab，matconvnet你不应该错过。

(4) 如果你追求高效轻量，那么darknet和mxnet你不能不熟悉。

(5) 如果你很懒，想写最少的代码完成任务，那么用keras。

(6) 如果你是java程序员，那么掌握deeplearning4j没错的。

其它的框架也自有特点，可以考虑尝试。

 关于Caffe的介绍

github地址：https://github.com/BVLC/caffe。

(1) 概述：

Caffe是伯克利的贾扬清主导开发，以C++/CUDA代码为主，最早的深度学习框架之一，比TensorFlow、Mxnet、Pytorch等都更早，需要进行编译安装。支持命令行、Python和Matlab接口，单机多卡、多机多卡等都可以很方便的使用。目前master分支已经停止更新，intel分支等还在维护，caffe框架已经非常稳定。

(2)caffe的使用通常是下面的流程：

以上的流程相互之间是解耦合的，所以caffe的使用非常优雅简单。

(3) caffe有很明显的优点和缺点。

优点：

• 以C++/CUDA/python代码为主，速度快，性能高。
• 工厂设计模式，代码结构清晰，可读性和拓展性强。
• 支持命令行、Python和Matlab接口，使用方便。
• CPU和GPU之间切换方便，多GPU训练方便。
• 工具丰富，社区活跃。

缺点：

• 源代码修改门槛较高，需要实现前向反向传播，以及CUDA代码。
• 不支持自动求导。
• 不支持模型级并行，只支持数据级并行
• 不适合于非图像任务。

关于Tensorflow的介绍

github地址：https://github.com/tensorflow/tensorflow。

(1) 概述

TensorFlow是Google brain推出的开源机器学习库，可用作各类深度学习相关的任务。

TensorFlow = Tensor + Flow，Tensor就是张量，代表N维数组，这与Caffe中的blob是类似的；Flow即流，代表基于数据流图的计算。

(2) 特点

TensorFlow最大的特点是计算图，即先定义好图，然后进行运算，所以所有的TensorFlow代码，都包含两部分：

• 创建计算图，表示计算的数据流。它做了什么呢？实际上就是定义好了一些操作，你可以将它看做是Caffe中的prototxt的定义过程。
• 运行会话，执行图中的运算，可以看作是Caffe中的训练过程。只是TensorFlow的会话比Caffe灵活很多，由于是Python 接口，取中间结果分析，Debug等方便很多。

关于PyTorch的介绍

github地址：https://github.com/pytorch/pytorch。

(1) 概述：一句话总结Pytorch = Python + Torch。

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，包括Lecun等大佬都在使用。但是由于使用的是一种绝大部分人绝对没有听过的Lua语言，导致很多人都被吓退。后来随着Python的生态越来越完善，Facebook人工智能研究院推出了Pytorch并开源。Pytorch不是简单的封装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。

后来Caffe2全部并入Pytorch，如今已经成为了非常流行的框架。很多最新的研究如风格化、GAN等大多数采用Pytorch源码。

(2) 特点

• 动态图计算。TensorFlow从静态图发展到了动态图机制Eager Execution，pytorch则一开始就是动态图机制。动态图机制的好处就是随时随地修改，随处debug，没有类似编译的过程。
• 简单。相比TensorFlow1.0中Tensor、Variable、Session等概念充斥，数据读取接口频繁更新，tf.nn、tf.layers、tf.contrib各自重复，Pytorch则是从Tensor到Variable再到nn.Module，最新的Pytorch已经将Tensor和Variable合并，这分别就是从数据张量到网络的抽象层次的递进。有人调侃TensorFlow的设计是“make it complicated”，那么 Pytorch的设计就是“keep it simple”。

关于Keras的介绍

github网址：https://github.com/keras-team/keras。

(1) 概述

Keras是一个对小白用户非常友好而简单的深度学习框架，严格来说并不是一个开源框架，而是一个高度模块化的神经网络库。

Keras在高层可以调用TensorFlow，CNTK，Theano，还有更多的库也在被陆续支持中。 Keras的特点是能够快速实现模型的搭建，是高效地进行科学研究的关键。

(2) 特点

• 高度模块化，搭建网络非常简洁。
• API很简单，具有统一的风格。
• 容易扩展，只需使用python添加新类和函数。

学习开源框架，通常要考虑以下几点：

(1) 不同任务数据的准备和使用。

(2) 模型的定义。

(3) 训练过程和结果的可视化。

(4) 训练方法和测试方法。

一个框架，官方都会开放有若干的案例，最常见的案例就是以MNISI数据接口+预训练模型的形式，供大家快速获得结果，但是这明显还不够，学习不应该停留在跑通官方的demo上，而是要解决实际的问题。

要学会从自定义数据读取接口，自定义网络的搭建，模型的训练，模型的可视化，模型的测试与部署等全方位进行掌握。

深度学习框架通过提供API和软件工具，可以方便地定义和训练神经网络模型，用于支持和简化深度学习算法的设计、训练和部署。

深度学习框架通常包括：

1、前端API：用于定义和配置神经网络模型的结构和参数，例如层、激活函数、优化器等。

2、计算引擎：用于执行神经网络模型的前向传播和反向传播算法，进行梯度计算和参数更新。

3、数据管理和预处理：用于加载和处理训练数据和测试数据，进行数据增强和批量处理等操作。

4、硬件加速和分布式计算：用于在多个GPU或分布式系统上进行高效的并行计算和训练。

总体感觉，总结得非常好。。。。。。。。。。。。。。。。。。。。

还在不断摸索、探讨和学习中，感谢你的认可和支持

共同学习。。。共同摸索。。。。共同探讨。。。。共同进步！。。。

好好学习，天天向上，加油，同学们，加油，自己！！！