轉：TensorFlow和Caffe、MXNet、Keras等其餘深度學習框架的對比

http://geek.csdn.net/news/detail/138968

Google近日發佈了TensorFlow 1.0候選版，這第一個穩定版將是深度學習框架發展中的里程碑的一步。自TensorFlow於2015年末正式開源，距今已有一年多，這期間TensorFlow不斷給人以驚喜。在這一年多時間，TensorFlow已從初入深度學習框架大戰的新星，成爲了幾近壟斷的行業事實標準。本文節選自《TensorFlow實戰》第二章。

主流深度學習框架對比

深度學習研究的熱潮持續高漲，各類開源深度學習框架也層出不窮，其中包括TensorFlow、Caffe、Keras、CNTK、Torch七、MXNet、Leaf、Theano、DeepLearning四、Lasagne、Neon，等等。然而TensorFlow卻殺出重圍，在關注度和用戶數上都佔據絕對優點，大有一統江湖之勢。表2-1所示爲各個開源框架在GitHub上的數據統計（數據統計於2017年1月3日），能夠看到TensorFlow在star數量、fork數量、contributor數量這三個數據上都完勝其餘對手。

究其緣由，主要是Google在業界的號召力確實強大，以前也有許多成功的開源項目，以及Google強大的人工智能研發水平，都讓你們對Google的深度學習框架充滿信心，以致於TensorFlow在2015年11月剛開源的第一個月就積累了10000+的star。其次，TensorFlow確實在不少方面擁有優異的表現，好比設計神經網絡結構的代碼的簡潔度，分佈式深度學習算法的執行效率，還有部署的便利性，都是其得以勝出的亮點。若是一直關注着TensorFlow的開發進度，就會發現基本上每星期TensorFlow都會有1萬行以上的代碼更新，多則數萬行。產品自己優異的質量、快速的迭代更新、活躍的社區和積極的反饋，造成了良性循環，能夠想見TensorFlow將來將繼續在各類深度學習框架中獨佔鰲頭。

表2-1 各個開源框架在GitHub上的數據統計

 

觀察表1還能夠發現，Google、Microsoft、Facebook等巨頭都參與了這場深度學習框架大戰，此外，還有畢業於伯克利大學的賈揚清主導開發的Caffe，蒙特利爾大學Lisa Lab團隊開發的Theano，以及其餘我的或商業組織貢獻的框架。另外，能夠看到各大主流框架基本都支持Python，目前Python在科學計算和數據挖掘領域能夠說是獨領風騷。雖然有來自R、Julia等語言的競爭壓力，可是Python的各類庫實在是太完善了，Web開發、數據可視化、數據預處理、數據庫鏈接、爬蟲等無所不能，有一個完美的生態環境。僅在數據挖據工具鏈上，Python就有NumPy、SciPy、Pandas、Scikit-learn、XGBoost等組件，作數據採集和預處理都很是方便，而且以後的模型訓練階段能夠和TensorFlow等基於Python的深度學習框架完美銜接。

表2-1和圖2-1所示爲對主流的深度學習框架TensorFlow、Caffe、CNTK、Theano、Torch在各個維度的評分，本書2.2節會對各個深度學習框架進行比較詳細的介紹。

表2-2 主流深度學習框架在各個維度的評分

 

圖2-1  主流深度學習框架對比圖

 

各深度學習框架簡介

在本節，咱們先來看看目前各流行框架的異同，以及各自的特色和優點。

TensorFlow

TensorFlow是相對高階的機器學習庫，用戶能夠方便地用它設計神經網絡結構，而沒必要爲了追求高效率的實現親自寫C++或CUDA代碼。它和Theano同樣都支持自動求導，用戶不須要再經過反向傳播求解梯度。其核心代碼和Caffe同樣是用C++編寫的，使用C++簡化了線上部署的複雜度，並讓手機這種內存和CPU資源都緊張的設備能夠運行復雜模型（Python則會比較消耗資源，而且執行效率不高）。除了核心代碼的C++接口，TensorFlow還有官方的Python、Go和Java接口，是經過SWIG（Simplified Wrapper and Interface Generator）實現的，這樣用戶就能夠在一個硬件配置較好的機器中用Python進行實驗，並在資源比較緊張的嵌入式環境或須要低延遲的環境中用C++部署模型。SWIG支持給C/C++代碼提供各類語言的接口，所以其餘腳本語言的接口將來也能夠經過SWIG方便地添加。不過使用Python時有一個影響效率的問題是，每個mini-batch要從Python中feed到網絡中，這個過程在mini-batch的數據量很小或者運算時間很短時，可能會帶來影響比較大的延遲。如今TensorFlow還有非官方的Julia、Node.js、R的接口支持，地址以下。

Julia： github.com/malmaud/TensorFlow.jl 
Node.js： github.com/node-tensorflow/node-tensorflow 
R： github.com/rstudio/tensorflow

TensorFlow也有內置的TF.Learn和TF.Slim等上層組件能夠幫助快速地設計新網絡，而且兼容Scikit-learn estimator接口，能夠方便地實現evaluate、grid search、cross validation等功能。同時TensorFlow不僅侷限於神經網絡，其數據流式圖支持很是自由的算法表達，固然也能夠輕鬆實現深度學習之外的機器學習算法。事實上，只要能夠將計算表示成計算圖的形式，就可使用TensorFlow。用戶能夠寫內層循環代碼控制計算圖分支的計算，TensorFlow會自動將相關的分支轉爲子圖並執行迭代運算。TensorFlow也能夠將計算圖中的各個節點分配到不一樣的設備執行，充分利用硬件資源。定義新的節點只須要寫一個Python函數，若是沒有對應的底層運算核，那麼可能須要寫C++或者CUDA代碼實現運算操做。

在數據並行模式上，TensorFlow和Parameter Server很像，但TensorFlow有獨立的Variable node，不像其餘框架有一個全局統一的參數服務器，所以參數同步更自由。TensorFlow和Spark的核心都是一個數據計算的流式圖，Spark面向的是大規模的數據，支持SQL等操做，而TensorFlow主要面向內存足以裝載模型參數的環境，這樣能夠最大化計算效率。

TensorFlow的另一個重要特色是它靈活的移植性，能夠將同一份代碼幾乎不通過修改就輕鬆地部署到有任意數量CPU或GPU的PC、服務器或者移動設備上。相比於Theano，TensorFlow還有一個優點就是它極快的編譯速度，在定義新網絡結構時，Theano一般須要長時間的編譯，所以嘗試新模型須要比較大的代價，而TensorFlow徹底沒有這個問題。TensorFlow還有功能強大的可視化組件TensorBoard，能可視化網絡結構和訓練過程，對於觀察複雜的網絡結構和監控長時間、大規模的訓練頗有幫助。TensorFlow針對生產環境高度優化，它產品級的高質量代碼和設計均可以保證在生產環境中穩定運行，同時一旦TensorFlow普遍地被工業界使用，將產生良性循環，成爲深度學習領域的事實標準。

除了支持常見的網絡結構[卷積神經網絡（Convolutional Neural Network，CNN）、循環神經網絡（Recurent Neural Network，RNN）]外，TensorFlow還支持深度強化學習乃至其餘計算密集的科學計算（如偏微分方程求解等）。TensorFlow此前不支持symbolic loop，須要使用Python循環而沒法進行圖編譯優化，但最近新加入的XLA已經開始支持JIT和AOT，另外它使用bucketing trick也能夠比較高效地實現循環神經網絡。TensorFlow的一個薄弱地方可能在於計算圖必須構建爲靜態圖，這讓不少計算變得難以實現，尤爲是序列預測中常用的beam search。

TensorFlow的用戶可以將訓練好的模型方便地部署到多種硬件、操做系統平臺上，支持Intel和AMD的CPU，經過CUDA支持NVIDIA的GPU（最近也開始經過OpenCL支持AMD的GPU，但沒有CUDA成熟），支持Linux和Mac，最近在0.12版本中也開始嘗試支持Windows。在工業生產環境中，硬件設備有些是最新款的，有些是用了幾年的老機型，來源可能比較複雜，TensorFlow的異構性讓它可以全面地支持各類硬件和操做系統。同時，其在CPU上的矩陣運算庫使用了Eigen而不是BLAS庫，可以基於ARM架構編譯和優化，所以在移動設備（Android和iOS）上表現得很好。

TensorFlow在最開始發佈時只支持單機，並且只支持CUDA 6.5和cuDNN v2，而且沒有官方和其餘深度學習框架的對比結果。在2015年年末，許多其餘框架作了各類性能對比評測，每次TensorFlow都會做爲較差的對照組出現。那個時期的TensorFlow真的不快，性能上僅和廣泛認爲很慢的Theano比肩，在各個框架中能夠算是墊底。可是憑藉Google強大的開發實力，很快支持了新版的cuDNN（目前支持cuDNN v5.1），在單GPU上的性能追上了其餘框架。表2-3所示爲https://github.com/soumith/convnet-benchmarks給出的各個框架在AlexNet上單GPU的性能評測。

表2-3  各深度學習框架在AlexNet上的性能對比

 

目前在單GPU的條件下，絕大多數深度學習框架都依賴於cuDNN，所以只要硬件計算能力或者內存分配差別不大，最終訓練速度不會相差太大。可是對於大規模深度學習來講，巨大的數據量使得單機很難在有限的時間完成訓練。這時須要分佈式計算使GPU集羣乃至TPU集羣並行計算，共同訓練出一個模型，因此框架的分佈式性能是相當重要的。TensorFlow在2016年4月開源了分佈式版本，使用16塊GPU可達單GPU的15倍提速，在50塊GPU時可達到40倍提速，分佈式的效率很高。目前原生支持的分佈式深度學習框架很少，只有TensorFlow、CNTK、DeepLearning4J、MXNet等。不過目前TensorFlow的設計對不一樣設備間的通訊優化得不是很好，其單機的reduction只能用CPU處理，分佈式的通訊使用基於socket的RPC，而不是速度更快的RDMA，因此其分佈式性能可能尚未達到最優。

Google 在2016年2月開源了TensorFlow Serving，這個組件能夠將TensorFlow訓練好的模型導出，並部署成能夠對外提供預測服務的RESTful接口，如圖2-2所示。有了這個組件，TensorFlow就能夠實現應用機器學習的全流程：從訓練模型、調試參數，到打包模型，最後部署服務，名副實際上是一個從研究到生產整條流水線都齊備的框架。這裏引用TensorFlow內部開發人員的描述：「TensorFlow Serving是一個爲生產環境而設計的高性能的機器學習服務系統。它能夠同時運行多個大規模深度學習模型，支持模型生命週期管理、算法實驗，並能夠高效地利用GPU資源，讓TensorFlow訓練好的模型更快捷方便地投入到實際生產環境」。除了TensorFlow之外的其餘框架都缺乏爲生產環境部署的考慮，而Google做爲普遍在實際產品中應用深度學習的巨頭可能也意識到了這個機會，所以開發了這個部署服務的平臺。TensorFlow Serving能夠說是一副王牌，將會幫TensorFlow成爲行業標準作出巨大貢獻。

圖2-2  TensorFlow Serving架構

 

TensorBoard是TensorFlow的一組Web應用，用來監控TensorFlow運行過程，或可視化Computation Graph。TensorBoard目前支持5種可視化：標量（scalars）、圖片（images）、音頻（audio）、直方圖（histograms）和計算圖（Computation Graph）。TensorBoard的Events Dashboard能夠用來持續地監控運行時的關鍵指標，好比loss、學習速率（learning rate）或是驗證集上的準確率（accuracy）；Image Dashboard則能夠展現訓練過程當中用戶設定保存的圖片，好比某個訓練中間結果用Matplotlib等繪製（plot）出來的圖片；Graph Explorer則能夠徹底展現一個TensorFlow的計算圖，而且支持縮放拖曳和查看節點屬性。TensorBoard的可視化效果如圖2-3和圖2-4所示。

圖2-3  TensorBoard的loss標量的可視化

 

圖2-4  TensorBoard的模型結構可視化

 

TensorFlow擁有產品級的高質量代碼，有Google強大的開發、維護能力的加持，總體架構設計也很是優秀。相比於一樣基於Python的老牌對手Theano，TensorFlow更成熟、更完善，同時Theano的不少主要開發者都去了Google開發TensorFlow（例如書籍Deep Learning的做者Ian Goodfellow，他後來去了OpenAI）。Google做爲巨頭公司有比高校或者我的開發者多得多的資源投入到TensorFlow的研發，能夠預見，TensorFlow將來的發展將會是飛速的，可能會把大學或者我的維護的深度學習框架遠遠甩在身後。

Caffe

官方網址：caffe.berkeleyvision.org/ 
GitHub：github.com/BVLC/caffe

Caffe全稱爲Convolutional Architecture for Fast Feature Embedding，是一個被普遍使用的開源深度學習框架（在TensorFlow出現以前一直是深度學習領域GitHub star最多的項目），目前由伯克利視覺學中心（Berkeley Vision and Learning Center，BVLC）進行維護。Caffe的創始人是加州大學伯克利的Ph.D.賈揚清，他同時也是TensorFlow的做者之一，曾工做於MSRA、NEC和Google Brain，目前就任於Facebook FAIR實驗室。Caffe的主要優點包括以下幾點。

• 容易上手，網絡結構都是以配置文件形式定義，不須要用代碼設計網絡。
• 訓練速度快，可以訓練state-of-the-art的模型與大規模的數據。
• 組件模塊化，能夠方便地拓展到新的模型和學習任務上。

Caffe的核心概念是Layer，每個神經網絡的模塊都是一個Layer。Layer接收輸入數據，同時通過內部計算產生輸出數據。設計網絡結構時，只須要把各個Layer拼接在一塊兒構成完整的網絡（經過寫protobuf配置文件定義）。好比卷積的Layer，它的輸入就是圖片的所有像素點，內部進行的操做是各類像素值與Layer參數的convolution操做，最後輸出的是全部卷積核filter的結果。每個Layer須要定義兩種運算，一種是正向（forward）的運算，即從輸入數據計算輸出結果，也就是模型的預測過程；另外一種是反向（backward）的運算，從輸出端的gradient求解相對於輸入的gradient，即反向傳播算法，這部分也就是模型的訓練過程。實現新Layer時，須要將正向和反向兩種計算過程的函數都實現，這部分計算須要用戶本身寫C++或者CUDA（當須要運行在GPU時）代碼，對普通用戶來講仍是很是難上手的。正如它的名字Convolutional Architecture for Fast Feature Embedding所描述的，Caffe最開始設計時的目標只針對於圖像，沒有考慮文本、語音或者時間序列的數據，所以Caffe對卷積神經網絡的支持很是好，但對時間序列RNN、LSTM等支持得不是特別充分。同時，基於Layer的模式也對RNN不是很是友好，定義RNN結構時比較麻煩。在模型結構很是複雜時，可能須要寫很是冗長的配置文件才能設計好網絡，並且閱讀時也比較費力。

Caffe的一大優點是擁有大量的訓練好的經典模型（AlexNet、VGG、Inception）乃至其餘state-of-the-art（ResNet等）的模型，收藏在它的Model Zoo（github.com/BVLC/ caffe/wiki/Model-Zoo）。由於知名度較高，Caffe被普遍地應用於前沿的工業界和學術界，許多提供源碼的深度學習的論文都是使用Caffe來實現其模型的。在計算機視覺領域Caffe應用尤爲多，能夠用來作人臉識別、圖片分類、位置檢測、目標追蹤等。雖然Caffe主要是面向學術圈和研究者的，但它的程序運行很是穩定，代碼質量比較高，因此也很適合對穩定性要求嚴格的生產環境，能夠算是第一個主流的工業級深度學習框架。由於Caffe的底層是基於C++的，所以能夠在各類硬件環境編譯並具備良好的移植性，支持Linux、Mac和Windows系統，也能夠編譯部署到移動設備系統如Android和iOS上。和其餘主流深度學習庫相似，Caffe也提供了Python語言接口pycaffe，在接觸新任務，設計新網絡時可使用其Python接口簡化操做。不過，一般用戶仍是使用Protobuf配置文件定義神經網絡結構，再使用command line進行訓練或者預測。Caffe的配置文件是一個JSON類型的.prototxt文件，其中使用許多順序鏈接的Layer來描述神經網絡結構。Caffe的二進制可執行程序會提取這些.prototxt文件並按其定義來訓練神經網絡。理論上，Caffe的用戶能夠徹底不寫代碼，只是定義網絡結構就能夠完成模型訓練了。Caffe完成訓練以後，用戶能夠把模型文件打包製做成簡單易用的接口，好比能夠封裝成Python或MATLAB的API。不過在.prototxt文件內部設計網絡節構可能會比較受限，沒有像TensorFlow或者Keras那樣在Python中設計網絡結構方便、自由。更重要的是，Caffe的配置文件不能用編程的方式調整超參數，也沒有提供像Scikit-learn那樣好用的estimator能夠方便地進行交叉驗證、超參數的Grid Search等操做。Caffe在GPU上訓練的性能很好（使用單塊GTX 1080訓練AlexNet時一天能夠訓練上百萬張圖片），可是目前僅支持單機多GPU的訓練，沒有原生支持分佈式的訓練。慶幸的是，如今有不少第三方的支持，好比雅虎開源的CaffeOnSpark，能夠藉助Spark的分佈式框架實現Caffe的大規模分佈式訓練。

Theano

官方網址：http://www.deeplearning.net/software/theano/ 
GitHub：github.com/Theano/Theano

Theano誕生於2008年，由蒙特利爾大學Lisa Lab團隊開發並維護，是一個高性能的符號計算及深度學習庫。因其出現時間早，能夠算是這類庫的始祖之一，也一度被認爲是深度學習研究和應用的重要標準之一。Theano的核心是一個數學表達式的編譯器，專門爲處理大規模神經網絡訓練的計算而設計。它能夠將用戶定義的各類計算編譯爲高效的底層代碼，並連接各類能夠加速的庫，好比BLAS、CUDA等。Theano容許用戶定義、優化和評估包含多維數組的數學表達式，它支持將計算裝載到GPU（Theano在GPU上性能不錯，可是CPU上較差）。與Scikit-learn同樣，Theano也很好地整合了NumPy，對GPU的透明讓Theano能夠較爲方便地進行神經網絡設計，而沒必要直接寫CUDA代碼。Theano的主要優點以下。

• 集成NumPy，能夠直接使用NumPy的ndarray，API接口學習成本低。
• 計算穩定性好，好比能夠精準地計算輸出值很小的函數（像log(1+x)）。
• 動態地生成C或者CUDA代碼，用以編譯成高效的機器代碼。

由於Theano很是流行，有許多人爲它編寫了高質量的文檔和教程，用戶能夠方便地查找Theano的各類FAQ，好比如何保存模型、如何運行模型等。不過Theano更多地被看成一個研究工具，而不是看成產品來使用。雖然Theano支持Linux、Mac和Windows，可是沒有底層C++的接口，所以模型的部署很是不方便，依賴於各類Python庫，而且不支持各類移動設備，因此幾乎沒有在工業生產環境的應用。Theano在調試時輸出的錯誤信息很是難以看懂，所以DEBUG時很是痛苦。同時，Theano在生產環境使用訓練好的模型進行預測時性能比較差，由於預測一般使用服務器CPU（生產環境服務器通常沒有GPU，並且GPU預測單條樣本延遲高反而不如CPU），可是Theano在CPU上的執行性能比較差。

Theano在單GPU上執行效率不錯，性能和其餘框架相似。可是運算時須要將用戶的Python代碼轉換成CUDA代碼，再編譯爲二進制可執行文件，編譯複雜模型的時間很是久。此外，Theano在導入時也比較慢，並且一旦設定了選擇某塊GPU，就沒法切換到其餘設備。目前，Theano在CUDA和cuDNN上不支持多GPU，只在OpenCL和Theano本身的gpuarray庫上支持多GPU訓練，速度暫時還比不上CUDA的版本，而且Theano目前尚未分佈式的實現。不過，Theano在訓練簡單網絡（好比很淺的MLP）時性能可能比TensorFlow好，由於所有代碼都是運行時編譯，不須要像TensorFlow那樣每次feed mini-batch數據時都得經過低效的Python循環來實現。

Theano是一個徹底基於Python（C++/CUDA代碼也是打包爲Python字符串）的符號計算庫。用戶定義的各類運算，Theano能夠自動求導，省去了徹底手工寫神經網絡反向傳播算法的麻煩，也不須要像Caffe同樣爲Layer寫C++或CUDA代碼。Theano對卷積神經網絡的支持很好，同時它的符號計算API支持循環控制（內部名scan），讓RNN的實現很是簡單而且高性能，其全面的功能也讓Theano能夠支持大部分state-of-the-art的網絡。Theano派生出了大量基於它的深度學習庫，包括一系列的上層封裝，其中有大名鼎鼎的Keras，Keras對神經網絡抽象得很是合適，以致於能夠隨意切換執行計算的後端（目前同時支持Theano和TensorFlow）。Keras比較適合在探索階段快速地嘗試各類網絡結構，組件都是可插拔的模塊，只須要將一個個組件（好比卷積層、激活函數等）鏈接起來，可是設計新模塊或者新的Layer就不太方便了。除Keras外，還有學術界很是喜好的Lasagne，一樣也是Theano的上層封裝，它對神經內網絡的每一層的定義都很是嚴謹。另外，還有scikit-neuralnetwork、nolearn這兩個基於Lasagne的上層封裝，它們將神經網絡抽象爲兼容Scikit-learn接口的classifier和regressor，這樣就能夠方便地使用Scikit-learn中經典的fit、transform、score等操做。除此以外，Theano的上層封裝庫還有blocks、deepy、pylearn2和Scikit-theano，可謂是一個龐大的家族。若是沒有Theano，可能根本不會出現這麼多好用的Python深度學習庫。一樣，若是沒有Python科學計算的基石NumPy，就不會有SciPy、Scikit-learn和 Scikit-image，能夠說Theano就是深度學習界的NumPy，是其餘各種Python深度學習庫的基石。雖然Theano很是重要，可是直接使用Theano設計大型的神經網絡仍是太煩瑣了，用 Theano實現Google Inception就像用NumPy實現一個支持向量機（SVM）。且不說不少用戶作不到用Theano實現一個Inception網絡，即便能作到可是否有必要花這個時間呢？畢竟不是全部人都是基礎科學工做者，大部分使用場景仍是在工業應用中。因此簡單易用是一個很重要的特性，這也就是其餘上層封裝庫的價值所在：不須要老是從最基礎的tensor粒度開始設計網絡，而是從更上層的Layer粒度設計網絡。

Torch

官方網址：http://torch.ch/ 
GitHub：github.com/torch/torch7

Torch給本身的定位是LuaJIT上的一個高效的科學計算庫，支持大量的機器學習算法，同時以GPU上的計算優先。Torch的歷史很是悠久，但真正獲得發揚光大是在Facebook開源了其深度學習的組件以後，此後包括Google、Twitter、NYU、IDIAP、Purdue等組織都大量使用Torch。Torch的目標是讓設計科學計算算法變得便捷，它包含了大量的機器學習、計算機視覺、信號處理、並行運算、圖像、視頻、音頻、網絡處理的庫，同時和Caffe相似，Torch擁有大量的訓練好的深度學習模型。它能夠支持設計很是複雜的神經網絡的拓撲圖結構，再並行化到CPU和GPU上，在Torch上設計新的Layer是相對簡單的。它和TensorFlow同樣使用了底層C++加上層腳本語言調用的方式，只不過Torch使用的是Lua。Lua的性能是很是優秀的（該語言常常被用來開發遊戲），常見的代碼能夠經過透明的JIT優化達到C的性能的80%；在便利性上，Lua的語法也很是簡單易讀，擁有漂亮和統一的結構，易於掌握，比寫C/C++簡潔不少；同時，Lua擁有一個很是直接的調用C程序的接口，能夠簡便地使用大量基於C的庫，由於底層核心是C寫的，所以也能夠方便地移植到各類環境。Lua支持Linux、Mac，還支持各類嵌入式系統（iOS、Android、FPGA等），只不過運行時仍是必須有LuaJIT的環境，因此工業生產環境的使用相對較少，沒有Caffe和TensorFlow那麼多。

爲何不簡單地使用Python而是使用LuaJIT呢？官方給出瞭如下幾點理由。

• LuaJIT的通用計算性能遠勝於Python，並且能夠直接在LuaJIT中操做C的pointers。
• Torch的框架，包含Lua是自洽的，而徹底基於Python的程序對不一樣平臺、系統移植性較差，依賴的外部庫較多。
• LuaJIT的FFI拓展接口很是易學，能夠方便地連接其餘庫到Torch中。Torch中還專門設計了N-Dimension array type的對象Tensor，Torch中的Tensor是一塊內存的視圖，同時一塊內存可能有許多視圖（Tensor）指向它，這樣的設計同時兼顧了性能（直接面向內存）和便利性。同時，Torch還提供了很多相關的庫，包括線性代數、卷積、傅里葉變換、繪圖和統計等，如圖2-5所示。

圖2-5  Torch提供的各類數據處理的庫

 

Torch的nn庫支持神經網絡、自編碼器、線性迴歸、卷積網絡、循環神經網絡等，同時支持定製的損失函數及梯度計算。Torch由於使用了LuaJIT，所以用戶在Lua中作數據預處理等操做能夠隨意使用循環等操做，而沒必要像在Python中那樣擔憂性能問題，也不須要學習Python中各類加速運算的庫。不過，Lua相比Python還不是那麼主流，對大多數用戶有學習成本。Torch在CPU上的計算會使用OpenMP、SSE進行優化，GPU上使用CUDA、cutorch、cunn、cuDNN進行優化，同時還有cuda-convnet的wrapper。Torch有不少第三方的擴展能夠支持RNN，使得Torch基本支持全部主流的網絡。和Caffe相似的是，Torch也是主要基於Layer的鏈接來定義網絡的。Torch中新的Layer依然須要用戶本身實現，不過定義新Layer和定義網絡的方式很類似，很是簡便，不像Caffe那麼麻煩，用戶須要使用C++或者CUDA定義新Layer。同時，Torch屬於命令式編程模式，不像Theano、TensorFlow屬於聲明性編程（計算圖是預約義的靜態的結構），因此用它實現某些複雜操做（好比beam search）比Theano和TensorFlow方便不少。

Lasagne

官網網址：http://lasagne.readthedocs.io/ 
GitHub：github.com/Lasagne/Lasagne

Lasagne是一個基於Theano的輕量級的神經網絡庫。它支持前饋神經網絡，好比卷積網絡、循環神經網絡、LSTM等，以及它們的組合；支持許多優化方法，好比Nesterov momentum、RMSprop、ADAM等；它是Theano的上層封裝，但又不像Keras那樣進行了重度的封裝，Keras隱藏了Theano中全部的方法和對象，而Lasagne則是借用了Theano中不少的類，算是介於基礎的Theano和高度抽象的Keras之間的一個輕度封裝，簡化了操做同時支持比較底層的操做。Lasagne設計的六個原則是簡潔、透明、模塊化、實用、聚焦和專一。

Keras

官方網址：keras.io 
GitHub：github.com/fchollet/keras

Keras是一個崇尚極簡、高度模塊化的神經網絡庫，使用Python實現，並能夠同時運行在TensorFlow和Theano上。它旨在讓用戶進行最快速的原型實驗，讓想法變爲結果的這個過程最短。Theano和TensorFlow的計算圖支持更通用的計算，而Keras則專精於深度學習。Theano和TensorFlow更像是深度學習領域的NumPy，而Keras則是這個領域的Scikit-learn。它提供了目前爲止最方便的API，用戶只須要將高級的模塊拼在一塊兒，就能夠設計神經網絡，它大大下降了編程開銷（code overhead）和閱讀別人代碼時的理解開銷（cognitive overhead）。它同時支持卷積網絡和循環網絡，支持級聯的模型或任意的圖結構的模型（可讓某些數據跳過某些Layer和後面的Layer對接，使得建立Inception等複雜網絡變得容易），從CPU上計算切換到GPU加速無須任何代碼的改動。由於底層使用Theano或TensorFlow，用Keras訓練模型相比於前二者基本沒有什麼性能損耗（還能夠享受前二者持續開發帶來的性能提高），只是簡化了編程的複雜度，節約了嘗試新網絡結構的時間。能夠說模型越複雜，使用Keras的收益就越大，尤爲是在高度依賴權值共享、多模型組合、多任務學習等模型上，Keras表現得很是突出。Keras全部的模塊都是簡潔、易懂、徹底可配置、可隨意插拔的，而且基本上沒有任何使用限制，神經網絡、損失函數、優化器、初始化方法、激活函數和正則化等模塊都是能夠自由組合的。Keras也包括絕大部分state-of-the-art的Trick，包括Adam、RMSProp、Batch Normalization、PReLU、ELU、LeakyReLU等。同時，新的模塊也很容易添加，這讓Keras很是適合最前沿的研究。Keras中的模型也都是在Python中定義的，不像Caffe、CNTK等須要額外的文件來定義模型，這樣就能夠經過編程的方式調試模型結構和各類超參數。在Keras中，只須要幾行代碼就能實現一個MLP，或者十幾行代碼實現一個AlexNet，這在其餘深度學習框架中基本是不可能完成的任務。Keras最大的問題多是目前沒法直接使用多GPU，因此對大規模的數據處理速度沒有其餘支持多GPU和分佈式的框架快。Keras的編程模型設計和Torch很像，可是相比Torch，Keras構建在Python上，有一套完整的科學計算工具鏈，而Torch的編程語言Lua並無這樣一條科學計算工具鏈。不管從社區人數，仍是活躍度來看，Keras目前的增加速度都已經遠遠超過了Torch。

MXNet

官網網址：mxnet.io 
GitHub：github.com/dmlc/mxnet

MXNet是DMLC（Distributed Machine Learning Community）開發的一款開源的、輕量級、可移植的、靈活的深度學習庫，它讓用戶能夠混合使用符號編程模式和指令式編程模式來最大化效率和靈活性，目前已是AWS官方推薦的深度學習框架。MXNet的不少做者都是中國人，其最大的貢獻組織爲百度，同時不少做者來自cxxnet、minerva和purine2等深度學習項目，可謂博採衆家之長。它是各個框架中率先支持多GPU和分佈式的，同時其分佈式性能也很是高。MXNet的核心是一個動態的依賴調度器，支持自動將計算任務並行化到多個GPU或分佈式集羣（支持AWS、Azure、Yarn等）。它上層的計算圖優化算法可讓符號計算執行得很是快，並且節約內存，開啓mirror模式會更加省內存，甚至能夠在某些小內存GPU上訓練其餘框架因顯存不夠而訓練不了的深度學習模型，也能夠在移動設備（Android、iOS）上運行基於深度學習的圖像識別等任務。此外，MXNet的一個很大的優勢是支持很是多的語言封裝，好比C++、Python、R、Julia、Scala、Go、MATLAB和JavaScript等，可謂很是全面，基本主流的腳本語言所有都支持了。在MXNet中構建一個網絡須要的時間可能比Keras、Torch這類高度封裝的框架要長，可是比直接用Theano等要快。MXNet的各級系統架構（下面爲硬件及操做系統底層，逐層向上爲愈來愈抽象的接口）如圖2-6所示。

圖2-6  MXNet系統架構

 

DIGITS

官方網址：developer.nvidia.com/digits 
GitHub: github.com/NVIDIA/DIGITS

DIGITS（Deep Learning GPU Training System）不是一個標準的深度學習庫，它能夠算是一個Caffe的高級封裝（或者Caffe的Web版培訓系統）。由於封裝得很是重，以致於你不須要（也不能）在DIGITS中寫代碼，便可實現一個深度學習的圖片識別模型。在Caffe中，定義模型結構、預處理數據、進行訓練並監控訓練過程是相對比較煩瑣的，DIGITS把全部這些操做都簡化爲在瀏覽器中執行。它能夠算做Caffe在圖片分類上的一個漂亮的用戶可視化界面（GUI），計算機視覺的研究者或者工程師能夠很是方便地設計深度學習模型、測試準確率，以及調試各類超參數。同時使用它也能夠生成數據和訓練結果的可視化統計報表，甚至是網絡的可視化結構圖。訓練好的Caffe模型能夠被DIGITS直接使用，上傳圖片到服務器或者輸入url便可對圖片進行分類。

CNTK

官方網址：cntk.ai 
GitHub：github.com/Microsoft/CNTK

CNTK（Computational Network Toolkit）是微軟研究院（MSR）開源的深度學習框架。它最先由start the deep learning craze的演講人建立，目前已經發展成一個通用的、跨平臺的深度學習系統，在語音識別領域的使用尤爲普遍。CNTK經過一個有向圖將神經網絡描述爲一系列的運算操做，這個有向圖中子節點表明輸入或網絡參數，其餘節點表明各類矩陣運算。CNTK支持各類前饋網絡，包括MLP、CNN、RNN、LSTM、Sequence-to-Sequence模型等，也支持自動求解梯度。CNTK有豐富的細粒度的神經網絡組件，使得用戶不須要寫底層的C++或CUDA，就能經過組合這些組件設計新的複雜的Layer。CNTK擁有產品級的代碼質量，支持多機、多GPU的分佈式訓練。

CNTK設計是性能導向的，在CPU、單GPU、多GPU，以及GPU集羣上都有很是優異的表現。同時微軟最近推出的1-bit compression技術大大下降了通訊代價，讓大規模並行訓練擁有了很高的效率。CNTK同時宣稱擁有很高的靈活度，它和Caffe同樣經過配置文件定義網絡結構，再經過命令行程序執行訓練，支持構建任意的計算圖，支持AdaGrad、RmsProp等優化方法。它的另外一個重要特性就是拓展性，CNTK除了內置的大量運算核，還容許用戶定義他們本身的計算節點，支持高度的定製化。CNTK在2016年9月發佈了對強化學習的支持，同時，除了經過寫配置文件的方式定義網絡結構，CNTK還將支持其餘語言的綁定，包括Python、C++和C#，這樣用戶就能夠用編程的方式設計網絡結構。CNTK與Caffe同樣也基於C++而且跨平臺，大部分狀況下，它的部署很是簡單。PC上支持Linux、Mac和Windows，可是它目前不支持ARM架構，限制了其在移動設備上的發揮。圖2-7所示爲CNTK目前的整體架構圖。

圖2-7  CNTK的整體架構圖

 

CNTK原生支持多GPU和分佈式，從官網公佈的對比評測來看，性能很是不錯。在多GPU方面，CNTK相對於其餘的深度學習庫表現得更突出，它實現了1-bit SGD和自適應的mini-batching。圖2-8所示爲CNTK官網公佈的在2015年12月的各個框架的性能對比。在當時，CNTK是惟一支持單機8塊GPU的框架，而且在分佈式系統中能夠超越8塊GPU的性能。

圖2-8  CNTK與各個框架的性能對比

 

Deeplearning4J

官方網址：http://deeplearning4j.org/ 
GitHub: github.com/deeplearning4j/deeplearning4j

Deeplearning4J（簡稱DL4J）是一個基於Java和Scala的開源的分佈式深度學習庫，由Skymind於2014年6月發佈，其核心目標是建立一個即插即用的解決方案原型。埃森哲、雪弗蘭、博斯諮詢和IBM等都是DL4J的客戶。DL4J擁有一個多用途的n-dimensional array的類，能夠方便地對數據進行各類操做；擁有多種後端計算核心，用以支持CPU及GPU加速，在圖像識別等訓練任務上的性能與Caffe至關；能夠與Hadoop及Spark自動整合，同時能夠方便地在現有集羣（包括但不限於AWS，Azure等）上進行擴展，同時DL4J的並行化是根據集羣的節點和鏈接自動優化，不像其餘深度學習庫那樣可能須要用戶手動調整。DL4J選擇Java做爲其主要語言的緣由是，目前基於Java的分佈式計算、雲計算、大數據的生態很是龐大。用戶可能擁有大量的基於Hadoop和Spark的集羣，所以在這類集羣上搭建深度學習平臺的需求便很容易被DL4J知足。同時JVM的生態圈內還有數不勝數的Library的支持，而DL4J也建立了ND4J，能夠說是JVM中的NumPy，支持大規模的矩陣運算。此外，DL4J還有商業版的支持，付費用戶在出現問題時能夠經過電話諮詢尋求支持。

Chainer

官方網址：chainer.org 
GitHub：github.com/pfnet/chainer

Chainer是由日本公司Preferred Networks於2015年6月發佈的深度學習框架。Chainer對本身的特性描述以下。

• Powerful：支持CUDA計算，只須要幾行代碼就可使用GPU加速，同時只需少量改動就能夠運行在多GPU上。
• Flexible：支持多種前饋神經網絡，包括卷積網絡、循環網絡、遞歸網絡，支持運行中動態定義的網絡（Define-by-Run）。
• Intuitive：前饋計算能夠引入Python的各類控制流，同時反向傳播時不受干擾，簡化了調試錯誤的難度。

絕大多數的深度學習框架是基於「Define-and-Run」的，也就是說，須要首先定義一個網絡，再向網絡中feed數據（mini-batch）。由於網絡是預先靜態定義的，全部的控制邏輯都須要以data的形式插入網絡中，包括像Caffe那樣定義好網絡結構文件，或者像Theano、Torch、TensorFlow等使用編程語言定義網絡。而Chainer則相反，網絡是在實際運行中定義的，Chainer存儲歷史運行的計算結果，而不是網絡的結構邏輯，這樣就能夠方便地使用Python中的控制流，因此無須其餘工做就能夠直接在網絡中使用條件控制和循環。

Leaf

官方網址：autumnai.com/leaf/book 
GitHub：github.com/autumnai/leaf

Leaf是一個基於Rust語言的直觀的跨平臺的深度學習乃至機器智能框架，它擁有一個清晰的架構，除了同屬Autumn AI的底層計算庫Collenchyma，Leaf沒有其餘依賴庫。它易於維護和使用，而且擁有很是高的性能。Leaf自身宣傳的特色是爲Hackers定製的，這裏的Hackers是指但願用最短的時間和最少的精力實現機器學習算法的技術極客。它的可移植性很是好，能夠運行在CPU、GPU和FPGA等設備上，能夠支持有任何操做系統的PC、服務器，甚至是沒有操做系統的嵌入式設備，而且同時支持OpenCL和CUDA。Leaf是Autumn AI計劃的一個重要組件，後者的目標是讓人工智能算法的效率提升100倍。憑藉其優秀的設計，Leaf能夠用來建立各類獨立的模塊，好比深度強化學習、可視化監控、網絡部署、自動化預處理和大規模產品部署等。

Leaf擁有最簡單的API，但願能夠最簡化用戶須要掌握的技術棧。雖然纔剛誕生不久，Leaf就已經躋身最快的深度學習框架之一了。圖2-9所示爲Leaf官網公佈的各個框架在單GPU上訓練VGG網絡的計算時間（越小越好）的對比（這是和早期的TensorFlow對比，最新版的TensorFlow性能已經很是好了）。

圖2-9  Leaf和各深度學習框架的性能對比（深色爲forawrd，淺色爲backward）

 

DSSTNE

GitHub：github.com/amznlabs/amazon-dsstne 

DSSTNE（Deep Scalable Sparse Tensor Network Engine）是亞馬遜開源的稀疏神經網絡框架，在訓練很是稀疏的數據時具備很大的優點。DSSTNE目前只支持全鏈接的神經網絡，不支持卷積網絡等。和Caffe相似，它也是經過寫一個JSON類型的文件定義模型結構，可是支持很是大的Layer（輸入和輸出節點都很是多）；在激活函數、初始化方式及優化器方面基本都支持了state-of-the-art的方法，比較全面；支持大規模分佈式的GPU訓練，不像其餘框架同樣主要依賴數據並行，DSSTNE支持自動的模型並行（使用數據並行須要在訓練速度和模型準確度上作必定的trade-off，模型並行沒有這個問題）。

在處理特徵很是多（上億維）的稀疏訓練數據時（常常在推薦、廣告、天然語言處理任務中出現），即便一個簡單的3個隱層的MLP（Multi-Layer Perceptron）也會變成一個有很是多參數的模型（可能高達上萬億）。以傳統的稠密矩陣的方式訓練方法很難處理這麼多的模型參數，更沒必要提超大規模的數據量，而DSSTNE有整套的針對稀疏數據的優化，率先實現了對超大稀疏數據訓練的支持，同時在性能上作了很是大的改進。

在DSSTNE官方公佈的測試中，DSSTNE在MovieLens的稀疏數據上，在單M40 GPU上取得了比TensorFlow快14.8倍的性能提高（注意是和老版的TensorFlow比較），如圖2-10所示。一方面是由於DSSTNE對稀疏數據的優化；另外一方面是TensorFlow在數據傳輸到GPU上時花費了大量時間，而DSSTNE則優化了數據在GPU內的保留；同時DSSTNE還擁有自動模型並行功能，而TensorFlow中則須要手動優化，沒有自動支持。

圖2-10  DSSTNE在稀疏數據上與TensorFlow的性能對比