炼数成金 门户 商业智能 深度学习 查看内容

TensorFlow、MXNet、Keras如何取舍? 常用深度学习框架对比

2019-2-19 15:32| 发布者: 炼数成金_小数| 查看: 20777| 评论: 0|原作者: 魏秀参|来自: 高可用架构

摘要: 自 2006 年 Hinton 和 Salakhutdinov 在 Science 上发表的深度学习论文点燃了最近一次神经网络复兴的“星星之火”,接着, 2012 年 Alex-Net 在 ImageNet 上夺冠又迅速促成了深度学习在人工智能领域的“燎原之势”。 ...

网络 工具 模型 框架 深度学习

作者简介
魏秀参,旷视科技 Face++ 南京研究院负责人。南京大学 LAMDA 研究所博士,主要研究领域为计算机视觉和机器学习。在相关领域较高级国际期刊如 IEEE TIP、IEEE TNNLS、Machine Learning Journal 等和较高级国际会议如 ICCV、IJCAI、ICDM 等发表论文十余篇,并两次获得国际计算机视觉相关竞赛冠亚军。著有《解析深度学习——卷积神经网络原理与视觉实践》一书。曾获 CVPR 2017 较佳审稿人、南京大学博士生校长特别奖学金等荣誉,担任 ICCV、CVPR、ECCV、NIPS、IJCAI、AAAI 等国际会议 PC member。(个人自媒体:知乎“魏秀参”,新浪微博“Wilson_NJUer”)。

14 深度学习开源工具简介
自 2006 年 Hinton 和 Salakhutdinov 在 Science 上发表的深度学习论文点燃了最近一次神经网络复兴的“星星之火”,接着, 2012 年 Alex-Net 在 ImageNet 上夺冠又迅速促成了深度学习在人工智能领域的“燎原之势”。当下深度学习算法可谓主宰了计算机视觉、自然语言学习等众多人工智能应用领域。 与此同时,与学术研究一起快速发展并驾齐驱的还有层出不穷的诸多深度学习 开源开发框架。本章将向读者介绍和对比 9 个目前使用较多的深度学习开源框架,供大家根据自身情况“择优纳之”。 

14.1 常用框架对比
表 14.2 中从“开发语言”、“支持平台”、“支持接口”、是否支持“自动求导”、 是否提供“预训练模型”、是否支持“单机多卡并行”运算等 10 个方面,对包 含 Caffe、 MatConvNet、 TensorFlow、 Theano 和 Torch 在内的 9 个目前最常用的深度学习开源框架进行了对比。 

14.2 常用框架的各自特点
14.2.1 Caffe
 Caffe 是一个广为人知、广泛应用侧重计算机视觉方面的深度学习库,由加州大学伯克利分校 BVLC 组开发,总结来说, Caffe 有以下优缺点: 

✓ 适合前馈网络和图像处理;
        ✓ 适合微调已有的网络模型;
        ✓ 训练已有网络模型无需编写任何代码;
        ✓ 提供方便的 Python 和 MATLAB 接口; 

✗ 可单机多卡,但不支持多机多卡;
        ✗ 需要用 C++/CUDA 编写新的 GPU 层;
        ✗ 不适合循环网络;
        ✗ 用于大型网络(如, GoogLeNet、 ResNet )时过于繁琐;
        ✗ 扩展性稍差,代码有些不够精简;
        ✗ 不提供商业支持;
        ✗ 框架更新缓慢,可能之后不再更新。 

14.2.2 Deeplearning4j
Deeplearning4j 简称 DL4J,是基于JVM、聚焦行业应用且提供商业支持的分布式深度学习框架,其宗旨是在合理的时间内解决各类涉及大量数据的问题。 它与 Hadoop 和 Spark 集成,可使用任意数量的 GPU 或 CPU 运行。 DL4J 是一种适用于各类平台的便携式学习库。开发语言为 Java,可通过调整 JVM 的堆空间、垃圾回收算法、内存管理以及 DL4J 的 ETL 数据加工管道来优化 DL4J 的性能。其优缺点为: 

✓ 适用于分布式集群,可高效处理海量数据;
        ✓ 在多种芯片上的运行已经被优化;
        ✓ 可跨平台运行,有多种语言接口;
        ✓ 支持单机多卡和多机多卡;
        ✓ 支持自动求导,方便编写新的网络层;
        ✓ 提供商业支持; 

✗ 提供的预训练模型有限;
        ✗ 框架速度不够快。 

14.2.3 Keras
Keras 由谷歌软件工程师 Francois Chollet 开发,是一个基于 Theano 和 TensorFlow 的深度学习库,具有一个受 Torch 启发、较为直观的 API。其优缺点如下:
        ✓ 受 Torch 启发的直观;
✓ 可使用 Theano、TensorFlow 和 Deeplearning4j 后端;
  ✓ 支持自动求导;
✓ 框架更新速度快。

14.2.4 MXNet
MXNet 是一个提供多种 API 的机器学习框架,主要面向 R、Python 和 Julia 等语言,目前已被亚马逊云服务采用。其优缺点为:
✓ 可跨平台使用;
✓ 支持多种语言接口;

        ✗ 不支持自动求导。

14.2.5 MatConvNet
MatConvNet 由英国牛津大学著名计算机视觉和机器学习研究组 VGG 负责开发,是主要基于 MATLAB 的深度学习工具包。其优缺点为:
        ✓ 基于 MATLAB,便于进行图像处理和深度特征后处理;
  ✓ 提供了丰富的预训练模型;
✓ 提供了充足的文档及教程;

✗ 不支持自动求导; 
✗ 跨平台能力差。

14.2.6 TensorFlow
TensorFlow 是 Google 负责开发的用 Python API 编写,通过 C/C++ 引擎加速的深度学习框架,是目前受关注最多的深度学习框架。它使用数据流图集成 深度学习中最常见的单元,并支持许多的 CNN 网络结构以及不同设置的 RNN。其优缺点为:
✓ 具备不局限于深度学习的多种用途,还有支持强化学习和其他算法的工具;
✓ 跨平台运行能力强;
✓ 支持自动求导;

✗ 运行明显比其他框架慢;
✗ 不提供商业支持。

14.2.7 Theano
Theano 是深度学习框架中的元老,用 Python 编写,可与其他学习库配合使用,非常适合学术研究中的模型开发。现在已有大量基于 Theano 的开源深度学习库,包括 Keras、Lasagne 和  Blocks。这些学习库试着在 Theano 有时不够直观的接口之上添加一层便于使用的 API。关于 Theano,有如下特点: 
✓ 支持 Python 和 Numpy;
✓ 支持自动求导;
✓ RNN 与计算图匹配良好;
✓ 高级的包装(Keras、Lasagne)可减少使用时的麻烦; 

✗ 编译困难,错误信息可能没有帮助;
✗ 运行模型前需编译计算图,大型模型的编译时间较长; 
✗ 仅支持单机单卡;
✗ 对预训练模型的支持不够完善。

14.2.8 Torch
Torch 是用 Lua 编写带 API 的科学计算框架,支持机器学习算法。Facebook 和 Twitter 等大型科技公司使用 Torch 的某些版本,由内部团队专门负责定制自己的深度学习平台。其优缺点如下:
✓ 大量模块化组件,容易组合;
✓ 易编写新的网络层;
✓ 支持丰富的预训练模型;
✓ PyTorch 为 Torch 提供了更便利的接口;

✗ 使用 Lua 语言需要学习成本;
✗ 文档质量参差不齐;
✗ 一般需要自己编写训练代码(即插即用相对较少)。

声明:文章收集于网络,如有侵权,请联系小编及时处理,谢谢!

欢迎加入本站公开兴趣群
商业智能与数据分析群
兴趣范围包括各种让数据产生价值的办法,实际应用案例分享与讨论,分析工具,ETL工具,数据仓库,数据挖掘工具,报表系统等全方位知识
QQ群:81035754

鲜花
1

握手

雷人

路过

鸡蛋

刚表态过的朋友 (1 人)

相关阅读

最新评论

热门频道

  • 大数据
  • 商业智能
  • 量化投资
  • 科学探索
  • 创业

即将开课

 

GMT+8, 2019-3-23 09:20 , Processed in 0.169535 second(s), 25 queries .