深度學習庫比較

 

 

深度學習庫比較

庫名	主語言	從語言	速度	靈活性	文檔	適合模型	平臺	上手難易	開發者	模式
Tensorflo	C++	cuda/python	中等	好	中等	CNN/RNN	Linux,OSX	難	Google	分佈式/聲明式
Caffe	C++	cuda/python/Matlab	快	通常	全面	CNN	全部系統	中等	賈楊清	聲明式
PyTorc	python	C/C++	中等	好	中等	-	--	中等	FaceBook
MXNet	c++	cuda/R/julia	快	好	全面	CNN	全部系統	中等	李沐和陳天奇等	分佈式/聲明式/命令式
Torch	lua	C/cuda	快	好	全面	CNN/RNN	Linux,OSX	中等	Facebook	命令式
Theano	python	c++/cuda	中等	好	中等	CNN/RNN	Linux, OSX	易	蒙特利爾理工學院	命令式

 

1.TensorFlow 的優勢是：

 

1. 它有一個直觀的結構 ，顧名思義它有 「張量流」，你能夠輕鬆地可視每一個圖中的每個部分。
2. 輕鬆地在 cpu / gpu 上進行分佈式計算
3. 平臺的靈活性 。能夠隨時隨地運行模型，不管是在移動端、服務器仍是 PC 上。

 

1.1 TensorFlow 的限制

 

1. 儘管 TensorFlow 是強大的，它仍然是一個低水平庫，例如，它能夠被認爲是機器級語言，但對於大多數功能，您須要本身去模塊化和高級接口，如 keras
2. 它仍然在繼續開發和維護，這是多麼👍啊！
3. 它取決於你的硬件規格，配置越高越好
4. 不是全部變成語言能使用它的 API 。
5. TensorFlow 中仍然有不少庫須要手動導入，好比 OpenCL 支持。
6. 上面提到的大多數是在 TensorFlow 開發人員的願景，他們已經制定了一個路線圖，計劃庫將來應該如何開發

 

1.2 ensorFlow工做流程

 

1. 創建一個計算圖， 任何的數學運算可使用 TensorFlow 支撐。
2. 初始化變量， 編譯預先定義的變量
3. 建立 session， 這是神奇的開始的地方 ！
4. 在 session 中運行圖， 編譯圖形被傳遞到 session ，它開始執行它。
5. 關閉 session， 結束此次使用。

 

1.3 入門教程

TensorFlow入門一-小石頭的碼瘋窩 
TensorFlow之深刻理解Neural Style 
TensorFlow之深刻理解AlexNet-小石頭的碼瘋窩 
TensoFlow之深刻理解GoogLeNet-小石頭的碼瘋窩 
TensorFlow之深刻理解VGG\Residual Network 
TensorFlow之深刻理解Fast Neural Style 
風格畫之最後一彈MRF-CNN-小石頭的碼瘋窩 
深度學習之Neural Image Caption

 

2.Caffe

 

1. Caffe57是純粹的C++/CUDA架構，支持命令行、Python和MATLAB接口；能夠在CPU和GPU173直接無縫切換：
3. Caffe::set_mode(Caffe::GPU);

 

2.1 Caffe的優點

 

1. 1.上手快：模型與相應優化都是以文本形式而非代碼形式給出。
2. 2.Caffe給出了模型的定義、最優化設置以及預訓練的權重，方便當即上手。
3. 3.速度快：可以運行最棒的模型與海量的數據。
4. 4.Caffe與cuDNN結合使用，測試AlexNet模型，在K40上處理每張圖片只須要1.17ms.
5. 5.模塊化：方便擴展到新的任務和設置上。
6. 6.可使用Caffe提供的各層類型來定義本身的模型。
7. 7.開放性：公開的代碼和參考模型用於再現。
8. 8.社區好：能夠經過BSD-2參與開發與討論。

 

2.2 Caffe 架構

 

2.2.1 預處理圖像的leveldb構建

 

1. 輸入：一批圖像和label （2和3）
2. 輸出：leveldb （4）
3. 指令裏包含以下信息：
4. conver_imageset （構建leveldb的可運行程序）
5. train/ （此目錄放處理的jpg或者其餘格式的圖像)
6. label.txt (圖像文件名及其label信息)
7. 輸出的leveldb文件夾的名字
8. CPU/GPU (指定是在cpu上仍是在gpu上運行code)

 

2.2.2 CNN網絡配置文件

 

1. Imagenet_solver.prototxt （包含全局參數的配置的文件）
2. Imagenet.prototxt （包含訓練網絡的配置的文件）
3. Imagenet_val.prototxt （包含測試網絡的配置文件）

 

2.3 教程

Caffe教程系列之安裝配置 
Caffe教程系列之LeNet訓練 
Caffe教程系列之元素篇 
Caffe教程系列之Proto元素 
Caffe教程系列之LMDB

 

3.pytorch框架

 

1. pytorch，語法相似numpy，很是高效；基於pytorch開發深度學習算法，方便快速，適合cpu和gpu計算。pytorch支持動態構建神經網絡結構，從而能夠提高挽留過結構的重用性。
3. 這是一個基於Python的科學計算包，其旨在服務兩類場合：
4. 1.替代numpy發揮GPU潛能
5. 2.一個提供了高度靈活性和效率的深度學習實驗性平臺

 

3.1 PyTorch優點

 

1. 1.運行在 GPU 或 CPU 之上、基礎的張量操做庫，
2. 2.內置的神經網絡庫
3. 3.模型訓練功能
4. 3.支持共享內存的多進程併發（multiprocessing ）庫。PyTorch開發團隊表示：這對數據載入和 hogwild 訓練十分有幫助。
5. 4.PyTorch 的首要優點是，它處於機器學習第一大語言 Python 的生態圈之中，使得開發者能接入廣大的 Python 庫和軟件。所以，Python 開發者可以用他們熟悉的風格寫代碼，而不須要針對外部 C 語言或 C++ 庫的 wrapper，使用它的專門語言。雷鋒網(公衆號：雷鋒網)獲知，現有的工具包能夠與 PyTorch 一塊兒運行，好比 NumPy、SciPy 和 Cython（爲了速度把 Python 編譯成 C 語言）。
6. 4.PyTorch 還爲改進現有的神經網絡，提供了更快速的方法——不須要從頭從新構建整個網絡

 

3.2 PyTorch工具包

 

1. 1.torch ：相似 NumPy 的張量庫，強 GPU 支持
2. 2.torch.autograd ：基於 tape 的自動區別庫，支持 torch 之中的全部可區分張量運行。
3. 3.torch.nn ：爲最大化靈活性未涉及、與 autograd 深度整合的神經網絡庫
4. 4.torch.optim：與 torch.nn 一塊兒使用的優化包，包含 SGD, RMSProp, LBFGS, Adam 等標準優化方式
5. 5.torch.multiprocessing： python 多進程併發，進程之間 torch Tensors 的內存共享。
6. 6.torch.utils：數據載入器。具備訓練器和其餘便利功能。 Trainer and other utility functions for convenience
7. 7.torch.legacy(.nn/.optim) ：處於向後兼容性考慮，從 Torch 移植來的 legacy 代碼。

 

3.3 教程

PyTorch深度學習：60分鐘入門(Translation)

 

4 MXNet框架

 

4.1 優缺點

 

4.1.1 優勢

 

1. 1.速度快省顯存。在復現一個caffe
2. 2.支持多語言
3. 3.分佈式

 

4.1.2 缺點

 

1. 1. API文檔差。這個問題不少人也提過了，不少時候要看源碼才能肯定一個函數具體是作什麼的，看API描述有時候並不靠譜，由於文檔有點過期。
2. 2. 缺少完善的自定義教程。好比寫data iter的時候，train和validation的data shape必須一致，這是我當時找了半天的一個bug。
3. 3.代碼小bug有點多。mxnet的大神們開發速度確實是快，可是有的layer真的是有bug，暑假咱們就修了很多。

 

4.2 MXNet架構

 

從上到下分別爲各類主語言的嵌入，編程接口（矩陣運算，符號表達式，分佈式通信），兩種編程模式的統一系統實現，以及各硬件的支持。接下一章咱們將介紹編程接口，而後下一章介紹系統實現。以後咱們給出一些實驗對比結果，以及討論MXNet的將來。 

##4.2 MXNet編程接口 

1.Symbol ： 聲明式的符號表達式 
2.NDArray ：命令式的張量計算 
3.KVStore ：多設備間的數據交互 
4.讀入數據模塊 
5.訓練模塊 


##4.3 MXNet教程 
安裝GPU版mxnet並跑一個MNIST手寫數字識別 
用MXnet實戰深度學習之二:Neural art

#5. Torch框架 
##5.1 Torch誕生 

Torch誕生已經有十年之久，可是真正起勢得益於去年Facebook開源了大量Torch的深度學習模塊和擴展。Torch另一個特殊之處是採用了不怎麼流行的編程語言Lua（該語言曾被用來開發視頻遊戲）。 


 

5.2 Torch優缺點

 

5.2.1 優勢

 

1. 1）Facebook力推的深度學習框架，主要開發語言是C和Lua
2. 2）有較好的靈活性和速度
3. 3）它實現而且優化了基本的計算單元，使用者能夠很簡單地在此基礎上實現本身的算法，不用浪費精力在計算優化上面。核心的計算單元使用C或者cuda作了很好的優化。在此基礎之上，使用lua構建了常見的模型
4. 4）速度最快，見convnet-benchmarks
5. 5）支持全面的卷積操做:
6. 時間卷積：輸入長度可變，而TF和Theano都不支持，對NLP很是有用；
7. 3D卷積：Theano支持，TF不支持，對視頻識別頗有用

 

5.2.2 缺點

 

1. 1）是接口爲lua語言，須要一點時間來學習。
2. 2）沒有Python接口
3. 3）與Caffe同樣，基於層的網絡結構，其擴展性很差，對於新增長的層，須要本身實現（forward, backward and gradient update）

 

5.3 Torch教程

MXNet教程 
深度學習筆記（二）用Torch實現線性迴歸

 

6. Theano框架

 

6.2 Theano優缺點

 

6.2.1 優勢

 

1. 1）2008年誕生於蒙特利爾理工學院，主要開發語言是Python
2. 2）Theano派生出了大量深度學習Python軟件包，最著名的包括Blocks和Keras
3. 3）Theano的最大特色是很是的靈活，適合作學術研究的實驗，且對遞歸網絡和語言建模有較好的支持
4. 4）是第一個使用符號張量圖描述模型的架構
5. 5）支持更多的平臺
6. 6）在其上有可用的高級工具：Blocks, Keras等

 

6.2.2 缺點

 

1. 1）編譯過程慢，但一樣採用符號張量圖的TF無此問題
2. 2）import theano也很慢，它導入時有不少事要作
3. 3）做爲開發者，很難進行改進，由於code base是Python，而C/CUDA代碼被打包在Python字符串中

 

6.3 Theano教程

Theano 官方中文教程（翻譯）（三）——多層感知機（MLP） 
Theano官方中文教程（翻譯）（四）—— 卷積神經網絡（CNN）

 

 

@liuyugang  2017-04-16 11:52  字數 4204  閱讀 6