深度解析Python深度学习框架的对比

　　从PyTorch到Mxnet，对比这些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。IndicoDataSolutions的CTOMadisonMay根据他们公司在产品和开发过程中的经验对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。
　　Python深度学习生态系统在这几年中的演变实属惊艳。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。
　　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。
　　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FrdricBastien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
　　描述：在Theano上建立和训练神经网络的轻量级库
　　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SanderDieleman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PastaPuns
　　缺点：
　　社区小
　　Blocks
　　描述：用于构建和训练神经网络的Theano框架
　　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（recurrentneuralnetworkarchitectures）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
　　描述：用于数值计算的使用数据流图的开源软件库
　　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GoogleBrain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
　　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。
　　概述：Keras也许是水平最高，对用户最友好的库了。由FrancisChollet（GoogleBrain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
　　描述：MXNet是一个旨在提高效率和灵活性的深度学习框架。
　　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
　　描述：Python中的张量（Tensors）和动态神经网络，有着强大的GPU加速。
　　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（ArtificialIntelligenceResearchteam（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
　　结语
　　感谢您的观看，如有不足之处，欢迎批评指正。
　　对大数据感兴趣的同学关注我的头条号，并在后台私信发送关键字：大数据即可获取免费的大数据学习资料。
　　知识体系已整理好（源码，笔记，PPT，学习视频），欢迎大家来领取！还有面试题可以免费获取。