本文摘要：深度自学框架是协助使用者展开深度自学的工具，它的经常出现减少了深度自学入门的门槛，你不必须从简单的神经网络开始编成代码，就可以根据必须用于现有的模型。

深度自学框架是协助使用者展开深度自学的工具，它的经常出现减少了深度自学入门的门槛，你不必须从简单的神经网络开始编成代码，就可以根据必须用于现有的模型。做到个比喻，一套深度自学框架就看起来一套积木，各个组件就是某个模型或算法的一部分，使用者可以自己设计和装配合乎涉及数据集市场需求的积木。当然也正因如此，没什么框架是极致的，就像一套积木里有可能没你必须的那一种积木，所以有所不同的框架限于的领域不完全一致。深度自学的框架有很多，有所不同框架之间的“好与怕”却没一个统一的标准，因此，当大家要开始一个深度自学项目时，在研究究竟有哪些框架具备可用性，哪个框架更加合适自己时，却去找将近一个简明扼要的“说明书”告诉他大家从何著手。

首先，我们再行熟知一下深度自学的框架。CaffeCaffe是最成熟期的框架之一，由BerkeleyVisionandLearningCenter研发。它是模块化的，而且速度十分慢，并且只必须很少的额外工作就可以反对多个GPU。它用于类似于JSON的文本文件来叙述网络架构以及解法器方法。

此外，在一个可以iTunesCaffe模型以及网络权重的网站——“modelzoo”中，还可以协助你较慢地打算样本。但是，必须留意的是，在Caffe框架中，要调整超强参数比其他框架更加繁复，部分原因是必须为每组超强参数分开定义有所不同的解法器和模型文件。▲用于Caffe撰写的LeNetCNN构建代码示例右图是LeNetCNN架构的代码片段，该模型由卷积仅次于池化（convolutionmaxpooling）和转录层构成的7层卷积网络包含。

Deeplearning4jDeeplearning4j是由AndrejKarpathy研发的、反对GPU的多平台框架，它是用Java撰写的，并享有一个ScalaAPI。Deeplearning4j也是一个成熟期的框架（用Lua撰写），在互联网上有许多可以用于的样本，并且反对多个GPU。TensorflowTensorflow是一个由谷歌研发的、比较较为新的框架，但早已被普遍使用。

它性能较好，反对多个GPU和CPU。Tensorflow获取了调整网络和监控性能的工具，就像Tensorboard一样，它还有一个可用于网络应用程序的教育工具。

TheanoTheano是用于符号逻辑创立网络的框架，是以Python撰写的，但利用了numpy的高效代码库，从而提升了性能，多达了标准的Python。Theano在建构网络方面有相当大的优势，但是在建构原始的解决方案中则具备较为大的挑战。Theano将机器学习中用于的梯度计算出来作为网络创立的“免费”副产品，对于那些期望更好地注目网络架构而不是梯度计算出来的人来说，这有可能是简单的。

此外，它的文本文件质量也非常不俗。但必须警告大家的一点是，Theano目前已暂停改版。

LasagneLasagne是用Python撰写的，创建在Theano之上的框架。它是一个比较非常简单的系统，需要使得网络建构比必要用于Theano更容易。

因此，其展现出很大地体现了Theano的创造力。KerasKeras是用Python撰写的框架，可以作为Theano或Tensorflow的后端（如下图）。这使得Keras在建构原始的解决方案中更容易，而且因为每一行代码都创立了一个网络层，所以它也更加更容易读者。

此外，Keras还享有最先进设备算法（优化器（optimizers）、归一化例程（normalizationroutines）、转录函数（activationfunctions））的最佳自由选择。必须解释的是，虽然Keras反对Theano和Tensorflow后端，但输出数据的维度假设是有所不同的，因此必须细心的设计才能使代码反对两个后末端工作。

该项目有完善的文本文件，并获取了一系列针对各种问题的实例以及训练好了的、用作传输自学构建常用体系的结构模型。在撰写的时候，有消息声称Tensorflow将使用Keras作为选用的高级包在。

只不过，这并不怪异，因为Keras的开发者FrancoisChollet本身就是谷歌的软件工程师。▲用于Keras撰写的LeNetCNN构建代码示例MXNetMXNet是一个用C＋＋撰写的深度自学框架，具备多种语言初始化，并反对分布式计算，还包括多GPU。它获取对低级结构以及更加高级／符号级API的采访。

在性能上被指出可以与Tensorflow、Caffe等在内的其他框架媲美。GitHub中获取了很多关于MXNet的教程和培训示例。CognitiveNetworkToolkit（CNTK）CNTK是由微软公司研发的框架，并被叙述为机器学习的“VisualStudio”。

对于那些用于VisualStudio展开编程的人，这有可能是一种更加保守、更加有效地的转入深度自学的方式。DIGITSDIGITS是由英伟达研发的，一款基于网络的深层开发工具。在很多方面，它像Caffe一样，需要用于文本文件而不是编程语言来叙述网络和参数。它具备网络可视化工具，因此文本文件中的错误更容易被辨识出来。

此外，它还具备用作可视化自学过程的工具，并反对多个GPU。TorchTorch是一款成熟期的机器学习框架，是用C语言撰写的。

它具备完善的文本，并且可以根据明确必须展开调整。由于是用C语言撰写的，所以Torch的性能十分好。PyTorchPyTorch是Torch计算出来引擎的python前端，不仅需要获取Torch的高性能，还需要对GPU的获取更佳反对。

该框架的开发者回应，PyTorch与Torch的区别在于它某种程度是PCB，而是展开了深度构建的框架，这使得PyTorc在网络建构方面具备更高的灵活性。（如下图）▲PyTorch代码示例和等效方框图ChainerChainer与其他框架有点有所不同，它将网络建构视作其计算出来的一部分。它的开发者讲解说道，在这一框架中，大多数工具都是“定义然后运营”，这意味著你要定义架构，然后才能运营它。

Chainer尝试建构并优化其架构，使其沦为自学过程的一部分，或者称作“通过运营定义”。其他除了上述的深度自学框架之外，还有更好的专心于具体任务的开源解决方案。例如，Nolearn专心于深度信念网络（deepbeliefnetworks）；Sklearn－theano获取了一个与scikit－learn（即Python中一个最重要的机器学习的库）给定的编程语法，可以和Theano库因应用于；Paddle则可以获取更佳的自然语言处置能力……面临如此之多的深度自学框架，使用者该如何作出适合的自由选择？回应，LexiconAI的CEO兼任创始人MatthewRubashkin及其团队通过对有所不同的框架在计算机语言、教程（Tutorials）和训练样本、CNN建模能力、RNN建模能力、架构的易用性、速度、多GPU反对、Keras兼容性等方面的展现出对比，总结出有了以下图表：｜MatthewRubashkin毕业于加州大学伯克利分校，是UCSF的Insight数据工程研究员和博士生。

曾在硅谷数据科学（SVDS）就任，并领导SVDS的深度自学研发团队展开项目研究，还包括在IoT设备上的TensorFlow图像识别等等。值得注意的是，这一结果融合了MatthewRubashkin团队在图像和语音辨识应用于方面对这些技术的主观经验和公开发表的基准测试研究，并且只是阶段性检测，并未涵盖所有能用的深度自学框架。我们看见，还包括DeepLearning4j、Paddle、Chainer等在内的框架都还并未在其佩。

以下是对应的评估依据：计算机语言撰写框架所用于的计算机语言不会影响到它的有效性。尽管许多框架具备初始化机制，容许使用者用于与撰写框架有所不同的语言采访框架，但是撰写框架所用于的语言也不可避免地在或许上影响后期研发的语言的灵活性。因此，在应用于深度自学模型时，最差需要用于你所熟知的计算机语言的框架。

例如，Caffe（C＋＋）和Torch（Lua）为其代码库获取了Python初始化，但如果你想要更佳地用于这些技术，就必需需要娴熟用于C＋＋或者Lua。相比之下，TensorFlow和MXNet则可以反对多语言，即使使用者无法娴熟用于C＋＋，也可以很好地利用该技术。

教程（Tutorials）和训练样本框架的文本质量、覆盖范围以及示例对于有效地用于框架至关重要。高质量的文本文件以及待处理的问题的示例将有助有效地解决问题开发者的问题。完善的文件也指出该工具早已成熟期并且在短期内会转变。而有所不同的深度自学框架之间在教程和训练样本的质量和数量的市场需求方面不存在相当大的区别。

举例来说，Theano、TensorFlow、Torch和MXNet由于具备很好的文本化教程（documentedtutorials），所以十分更容易解读和构建。另外，我们还找到，有所不同的框架在GitHub社区的参与度和活跃度强弱不仅可以作为其未来发展的最重要指标，同时也可以用来取决于通过搜寻StackOverflow或Git报告事件来检测和修缮bug的速度。

值得注意的是，在教程数量、训练样本以及开发人员和用户社区方面，TensorFlow的需求量十分十分大（看起来一个800重达的大猩猩一样的庞然大物）。CNN建模能力卷积神经网络（CNN）是由一组有所不同的层构成，将初始数据量转换成预计义类分数的输入分数。

是一种前馈神经网络，它的人工神经元可以号召一部分覆盖面积范围内的周围单元，对于大型图像处理有出众展现出，可用作图像识别、引荐引擎和自然语言处置。此外，CNN还可以用作重返分析，如自动驾驶车辆改向角输入模型等等。CNN建模能力还包括几个功能：定义模型的概率空间、实建构层的可用性以及可用作相连这些层的工具和功能。

我们看见，Theano、Caffe和MXNet都具备很好的CNN建模功能，这意味著，TensorFlow需要很更容易地在其InceptionV3模型上展开能力建构，Torch中还包括更容易用于的时间卷积集在内的杰出的CNN资源，都使得这两种技术在CNN建模功能上需要很好地区分离来。RNN建模能力大同小异CNN，迭代神经网络（RNN）可以用作语音辨识、时间序列预测、图像字幕和其他必须处置顺序信息的任务。

由于预先建构的RNN模型不像CNN那样多，因此，如果你有一个RNN深度自学项目，那么就必需考虑到为特定技术预先实行和开源何种RNN模型，这是十分最重要的。例如，Caffe享有很少的RNN资源，而微软公司的CNTK和Torch则享有非常丰富的RNN教程和预置模型。

虽然TensorFlow也具备一些RNN资源，但TFLearn和Keras中所包括的RNN示例要比用于TensorFlow非常少。架构为了在特定的框架中创立和训练新的模型，至关重要的一点是要有一个更容易用于而且是模块化的前端架构。检测结果表明，TensorFlow、Torch和MXNet都具备直观的模块化架构，这使得研发显得非常简单并且直观。

相比之下，像Caffe这样的框架则必须花上大量的工作来创立一个新的层。另外，我们还找到由于TensorBoardWebGUI应用程序早已被包括在内，TensorFlow在训练期间和训练之后不会尤其更容易调试和监控。速度在对外开放源代码卷积神经网络（CNN）方面Torch和Nervana享有基准测试的最佳性能记录，TensorFlow性能在大多数测试中也“有的一拼成”，而Caffe和Theano在这方面则展现出得并不引人注目；在迭代神经网络（RNN）方面，微软公司则声称CNTK的训练时长最较短，速度最慢。当然，也有另一项必要针对RNN建模能力速度展开较为的研究指出，在Theano、Torch和TensorFlow中，Theano的展现出最差。

多GPU反对大多数深度自学应用程序必须大量的浮点运算（FLOP）。例如，百度的DeepSpeech辨识模型必须10秒钟的ExaFLOPs（百万兆浮点运算）展开训练。那可是小于10的18次方的计算出来量！而作为领先的图形处理单元（GPU）——如英伟达的PascalTitanX，每秒可以继续执行11万亿次浮点运算，在一个充足大的数据集上训练一个新的模型必须一周的时间。

为了增加建构模型所需的时间，必须多台机器上的多个GPU。幸运地的是，上面所列的大多数技术都获取了这种反对，比如，MXNet就具备一个高度优化的多GPU引擎。

Keras兼容性Keras是一个用作展开较慢深度自学原型设计的高级库，是一个让数据科学家需要自如地应用于深度自学的工具。Keras目前反对两个后末端——TensorFlow和Theano，并且还将在TensorFlow中取得月的反对。MatthewRubashkin建议，当你要开始一个深度自学项目时，首先要评估好自己团队的技能和项目市场需求。

举例来说，对于以Python为中心的团队的图像识别应用程序，他建议用于TensorFlow，因为其文本文件非常丰富、性能适合并且还享有杰出的原型设计工具。而如果是为了将RNN扩展到具备Lua能力的客户团队产品上，他则引荐用于Torch，这是因为它具备卓越的速度和RNN建模能力。

总而言之，对于大多数人而言，“从零开始”撰写深度自学算法成本十分低，而利用深度自学框架中能用的极大资源是更加有效率的。如何自由选择更加适合的框架将各不相同使用者的技能和背景，以及明确项目的市场需求。

因此，当你要开始一个深度自学项目时，的确有一点花上一些时间来评估能用的框架，以保证技术价值的最大化。

本文来源：太阳2007官网-www.zuanboke.com