从PyTorch到Mxnet ,对比7大Python深度学习框架

选择什么深度学习框架一直是开发者非常关心的一个话题,而且深度学习框架之间的「战争」也越来越激烈。过去一段时间,机器之心发过多篇机器学习框架的对比文章,但随着 Python 逐渐成为机器学习社区最受欢迎的语言,支持 Python 的深度学习框架的性能也值得关注。Indico Data Solutions 的 CTO Madison May 根据他们公司在产品和开发过程中的经验对 7 大 Python 深度学习框架进行了对比,希望这篇文章能对机器之心的读者有所帮助。


最近我无意间在「Best Python library for neural networks」话题下发现了一个我以前的数据科学栈交换(Data Science Stack Exchange)的答案,并且 Python 深度学习生态系统在过去两年半中的演变打击到了我。我在 2014 年 7 月推荐的库,pylearn2,已经不再被积极地开发或者维护,大量的深度学习库开始接替它的位置。这些库每一个都各有千秋。我们已经在 indico 的产品或者开发中使用了以下列表中的大部分的技术,但是对于剩下一些我们没有使用的,我将会借鉴他人的经验来帮助给出 2017 年 Python 深度学习生态系统的清晰的、详尽的理解。


确切地说,我们将会关注:


  • Theano

  • Lasagne

  • Blocks

  • TensorFlow

  • Keras

  • MXNet

  • PyTorch


下面是对这 7 大 Python 深度学习框架的描述以及优缺点的介绍,而且也为每个框架的使用推荐了一些资源,但因微信不支持外网链接,读者们请点击阅读原网址查看资源。


Theano


链接:https://github.com/Theano/Theano


描述:Theano 是一个 Python 库,允许你定义、优化并且有效地评估涉及到多维数组的数学表达式。它与 GPUs 一起工作并且在符号微分方面表现优秀。


文档:http://deeplearning.net/software/theano/


概述:Theano 是数值计算的主力,它支持了许多我们列表当中的其他的深度学习框架。Theano 由 Frédéric Bastien 创建,这是蒙特利尔大学机器学习研究所(MILA)背后的一个非常优秀的研究团队。它的 API 水平较低,并且为了写出效率高的 Theano,你需要对隐藏在其他框架幕后的算法相当的熟悉。如果你有着丰富的学术机器学习知识,正在寻找你的模型的精细的控制方法,或者想要实现一个新奇的或者不同寻常的模型,Theano 是你的首选库。总而言之,为了灵活性,Theano 牺牲了易用性。


优点:


  • 灵活

  • 正确使用时的高性能


缺点:


  • 较高的学习难度

  • 低水平的 API

  • 编译复杂的符号图可能很慢


Lasagne


链接:https://github.com/Lasagne/Lasagne


描述:在 Theano 上建立和训练神经网络的轻量级库


文档:http://lasagne.readthedocs.org/


概述:因为 Theano 致力于成为符号数学中最先且最好的库,Lasagne 提供了在 Theano 顶部的抽象,这使得它更适合于深度学习。它主要由当前 DeepMind 研究科学家 Sander Dieleman 编写并维护。Lasagne 并非是根据符号变量之间的函数关系来指定网络模型,而是允许用户在层级思考,为用户提供了例如「Conv2DLayer」和「DropoutLayer」的构建块。Lasagne 在牺牲了很少的灵活性的同时,提供了丰富的公共组件来帮助图层定义、图层初始化、模型正则化、模型监控和模型训练。


优点:


  • 仍旧非常灵活

  • 比 Theano 更高级的抽象

  • 文档和代码中包含了各种 Pasta Puns


缺点:


  • 社区小


Blocks


链接:https://github.com/mila-udem/blocks


 描述:用于构建和训练神经网络的 Theano 框架


文档:http://blocks.readthedocs.io/en/latest/


概述:与 Lasagne 类似,Blocks 是在 Theano 顶部添加一个抽象层使深度学习模型比编写原始的 Theano 更清晰、更简单、定义更加标准化。它是由蒙特利尔大学机器学习研究所(MILA)编写,其中一些人为搭建 Theano 和第一个神经网络定义的高级接口(已经淘汰的 PyLearn2)贡献了自己的一份力量。比起 Lasagne,Blocks 灵活一点,代价是入门台阶较高,想要高效的使用它有不小的难度。除此之外,Blocks 对递归神经网络架构(recurrent neural network architectures)有很好的支持,所以如果你有兴趣探索这种类型的模型,它值得一看。除了 TensorFlow,对于许多我们已经部署在 indico 产品中的 API,Blocks 是其首选库。


优点:


  • 仍旧非常灵活

  • 比 Theano 更高级的抽象

  • 易于测试


缺点:


  • 较高的学习难度

  • 更小的社区


TensorFlow


链接:https://github.com/tensorflow/tensorflow


描述:用于数值计算的使用数据流图的开源软件库


文档:https://www.tensorflow.org/api_docs/python/


概述:TensorFlow 是较低级别的符号库(比如 Theano)和较高级别的网络规范库(比如 Blocks 和 Lasagne)的混合。即使它是 Python 深度学习库集合的最新成员,在 Google Brain 团队支持下,它可能已经是最大的活跃社区了。它支持在多 GPUs 上运行深度学习模型,为高效的数据流水线提供使用程序,并具有用于模型的检查,可视化和序列化的内置模块。最近,TensorFlow 团队决定支持 Keras(我们列表中下一个深度学习库)。虽然 TensorFlow 有着自己的缺点,但是社区似乎同意这一决定,社区的庞大规模和项目背后巨大的动力意味着学习 TensorFlow 是一次安全的赌注。因此,TensorFlow 是我们今天在 indico 选择的深度学习库。


优点:


  • 由软件巨头 Google 支持

  • 非常大的社区

  • 低级和高级接口网络训练

  • 比基于 Theano 配置更快的模型编译

  • 完全地多 GPU 支持


缺点:


  • 虽然 Tensorflow 正在追赶,但是最初在许多基准上比基于 Theano 的慢。

  • RNN 支持仍不如 Theano


Keras


链接:https://github.com/fchollet/keras


描述:Python 的深度学习库。支持 Convnets、递归神经网络等。在 Theano 或者 TensorFlow 上运行。


文档:https://keras.io/


概述:Keras 也许是水平最高,对用户最友好的库了。由 Francis Chollet(Google Brain 团队中的另一个成员)编写和维护。它允许用户选择其所构建的模型是在 Theano 上或是在 TensorFlow 上的符号图上执行。Keras 的用户界面受启发于 Torch,所以如果你以前有过使用 Lua 语言的机器学习经验,Keras 绝对值得一看。由于部分非常优秀的文档和其相对易用性,Keras 的社区非常大并且非常活跃。最近,TensorFlow 团队宣布计划与 Keras 一起支持内置,所以很快 Keras 将是 TensorFlow 项目的一个分组。


优点:


  • 可供选择的 Theano 或者 TensorFlow 后端

  • 直观、高级别的端口

  • 更易学习


缺点:


  • 不太灵活,比其他选择更规范


MXNet


链接:https://github.com/dmlc/mxnet


描述:MXNet 是一个旨在提高效率和灵活性的深度学习框架。


文档:http://mxnet.io/api/python/index.html#python-api-reference


概述:MXNet 是亚马逊(Amazon)选择的深度学习库,并且也许是最优秀的库。它拥有类似于 Theano 和 TensorFlow 的数据流图,为多 GPU 配置提供了良好的配置,有着类似于 Lasagne 和 Blocks 更高级别的模型构建块,并且可以在你可以想象的任何硬件上运行(包括手机)。对 Python 的支持只是其冰山一角—MXNet 同样提供了对 R、Julia、C++、Scala、Matlab,和 Javascript 的接口。如果你正在寻找最佳的性能,选择 MXNet 吧,但是你必须愿意处理与之相对的一些 MXNet 的怪癖。


优点:


  • 速度的标杆

  • 非常灵活


缺点:


  • 最小的社区

  • 比 Theano 更困难的学习难度


PyTorch


链接:https://github.com/pytorch/pytorch


描述:Python 中的张量(Tensors)和动态神经网络,有着强大的 GPU 加速。


文档:http://pytorch.org/docs/


概述:刚刚放出一段时间,PyTorch 就已经是我们 Python 深度学习框架列表中的一个新的成员了。它是从 Lua 的 Torch 库到 Python 的松散端口,由于它由 Facebook 的 人工智能研究团队(Artificial Intelligence Research team (FAIR))支持且因为它用于处理动态计算图(Theano,TensorFlow 或者其他衍生品没有的特性,编译者注:现在 TensorFlow 好像支持动态计算图),它变得非常的有名。PyTorch 在 Python 深度学习生态系统将扮演怎样的角色还不得而知,但所有的迹象都表明,PyTorch 是我们列表中其他框架的一个非常棒的选择。


优点:


  • 来自 Facebook 组织的支持

  • 完全地对动态图的支持

  • 高级和低级 API 的混合


缺点:


  • 比其他选择,PyTorch 还不太成熟(用他们自己的话说—「我们正处于早期测试版本。期待一些冒险」)

  • 除了官方文档以外,只有有限的参考文献/资源

入门
暂无评论
暂无评论~
返回顶部