一、Theano

Theano由LISA集團(現(xiàn)MILA)在加拿大魁北克的蒙特利爾大學開發(fā)，是在BSD許可證下發(fā)布的開源項目，它是用一位希臘數(shù)學家的名字命名的。

Theano是一個Python庫，可用于定義、優(yōu)化和計算數(shù)學表達式，特別是多維數(shù)組(numpy.ndarray)。在解決包含大量數(shù)據(jù)問題的時候，使用Theano編程可實現(xiàn)比C語言編程更快的運行速度。通過GPU加速，Theano甚至可以比基于CPU計算的C語言快好幾個數(shù)量級。

Theano結(jié)合 CAS(Computer Algebra System，計算機代數(shù)系統(tǒng))和優(yōu)化編譯器，還可以為多種數(shù)學運算生成定制的C語言代碼。對于處理包含重復計算的復雜數(shù)學表達式任務(wù)，計算速度很重要，因此這種CAS和優(yōu)化編譯器的組合非常有用。對于需要將每種不同的數(shù)學表達式都計算一遍的情況，Theano可以最小化編譯/解析計算量，但仍會給出如自動微分那樣的符號特征。

在過去很長一段時間里，Theano是深度學習開發(fā)與研究的行業(yè)標準。出身學界的Theano最初是為學術(shù)研究而設(shè)計的，這使得深度學習領(lǐng)域的許多學者至今仍在使用Theano。

但隨著TensorFlow在谷歌的支持下強勢崛起，Theano日漸式微，使用的人越來越少。其中標志性事件是Theano的創(chuàng)始者之一Ian GoodFellow放棄Theano轉(zhuǎn)去谷歌開發(fā)TensorFlow了。

2017年9月28日，在Theano 1.0正式版發(fā)布前夕，LISA實驗室負責人、深度學習三巨頭之一的Yoshua Bengio宣布Theano將停止開發(fā)：“Theano is Dead.”

盡管Theano將退出歷史舞臺，但作為第一個Python深度學習框架，它很好地完成了自己的使命—為深度學習研究人員早期拓荒提供了極大的幫助，同時也為之后深度學習框架的開發(fā)奠定了基本設(shè)計方向：以計算圖為框架的核心，采用GPU加速計算。

對于深度學習新手，可以使用Theano做入門練習，但對于職業(yè)開發(fā)者，建議使用 TensorFlow。

二、TensorFlow

TensorFlow是Google Brain團隊基于Google在2011年開發(fā)的深度學習基礎(chǔ)架構(gòu)DistBelief構(gòu)建的。Google在其所有的應(yīng)用程序中都使用TensorFlow實現(xiàn)機器學習，例如使用Google照相機和Google語音搜索功能，就間接使用了TensorFlow模型。

TensorFlow在很大程度上可以看作Theano的后繼者，這不僅因為它們有很大一批共同的開發(fā)者，還因為它們擁有相近的設(shè)計理念，都基于計算圖實現(xiàn)自動微分系統(tǒng)。TensorFlow 使用數(shù)據(jù)流圖進行數(shù)值計算，圖中的節(jié)點代表數(shù)學運算，圖中的邊代表在這些節(jié)點之間傳遞的多維數(shù)組。

TensorFlow編程接口支持Python和C++，TensorFlow 1.0版本開始支持Java、Go、R和Haskell API的Alpha版本。此外，TensorFlow還可以在Google Cloud和AWS中運行。TensorFlow支持Windows 7、Windows 10和Windows Server 2016系統(tǒng)。

因為TensorFlow使用C++ Eigen庫，所以可以在ARM架構(gòu)上編譯和優(yōu)化。這也就意味著用戶可以在各種服務(wù)器和移動設(shè)備上部署自己的訓練模型，無須執(zhí)行單獨的模型解碼器或者加載Python解釋器。

作為當前最流行的深度學習框架，TensorFlow獲得了極大的成功，但在學習過程中讀者也需要注意下面一些問題。

因為TensorFlow的接口在不斷地快速迭代，并且版本之間不兼容，所以在開發(fā)和調(diào)試過程中可能會出現(xiàn)問題，例如開源代碼無法在新版的TensorFlow上運行。

想學習TensorFlow底層運行機制的讀者需要做好心理準備，TensorFlow在GitHub代碼倉庫的總代碼量超過100萬行，系統(tǒng)設(shè)計比較復雜，這將是一個漫長的學習過程。

在代碼層面，對于同一個功能，TensorFlow提供了多種實現(xiàn)，這些實現(xiàn)良莠不齊，使用中還有細微的區(qū)別，請讀者注意選擇。另外，TensorFlow創(chuàng)造了圖、會話、命名空間、PlaceHolder等諸多抽象概念，對普通用戶來說較難理解。

憑借Google強大的推廣能力，TensorFlow已經(jīng)成為當今最火的深度學習框架，不完美但是最流行。因為各公司使用的框架不統(tǒng)一，所以我們有必要多學習幾個流行框架作為知識儲備，TensorFlow無疑是一個不錯的選擇。

三、MXNet

MXNet是亞馬遜首席科學家李沐帶領(lǐng)團隊開發(fā)的深度學習框架，擁有類似Theano和TensorFlow的數(shù)據(jù)流圖，為多GPU架構(gòu)提供了良好的配置，擁有類似Lasagne和Blocks的高級別模型構(gòu)建塊，可以在我們需要的任何硬件上運行(包括手機)。除了支持Python，MXNet同樣提供了對 R、Julia、C++、Scala、Matlab、Go和Java的接口。

MXNet因其超強的分布式、內(nèi)存/顯存優(yōu)化能力受到開發(fā)者的歡迎。同樣的模型，MXNet往往占用的內(nèi)存和顯存更小，在分布式環(huán)境下，MXNet展現(xiàn)出了明顯優(yōu)于其他框架的擴展性能。

MXNet的缺點是推廣力度不夠、接口文檔不完善。雖然MXNet版本快速迭代，但官方API文檔卻長時間未更新，導致新用戶難以掌握新版本的MXNet，而老用戶又需要查閱源碼才能真正理解MXNet接口的用法。MXNet文檔比較混亂，不太適合新手入門，但其分布性能強大，語言支持比較多，比較適合在云平臺使用。

四、Keras

Keras是一個高層神經(jīng)網(wǎng)絡(luò)API，使用Python編寫，并將TensorFlow、Theano及CNTK作為后端。Keras為支持快速實驗而生，能夠快速實現(xiàn)開發(fā)者的想法。Keras目前是最容易上手的深度學習框架，它提供了一致且簡潔的API，能夠極大減少一般應(yīng)用下用戶的工作量。

相比于深度學習框架，Keras更像是一個深度學習接口，它構(gòu)建于第三方框架之上。Keras的缺點很明顯：過度封裝導致喪失了靈活性。Keras最初作為Theano的高級API，后來增加了TensorFlow和CNTK作為后端。

為了屏蔽后端的差異性，Keras提供了一致的用戶接口并做了層層封裝，導致用戶在新增操作或是獲取底層的數(shù)據(jù)信息時過于困難。同時，過度封裝也使得Keras的程序運行十分緩慢，許多Bug都隱藏于封裝之中。在絕大多數(shù)場景下，Keras是本文介紹的所有框架中運行最慢的。

學習Keras十分容易，但是很快就會遇到瓶頸，因為它不夠靈活。另外，在使用Keras的大多數(shù)時間里，用戶主要是在調(diào)用接口，很難真正學習到深度學習的內(nèi)容。

Keras的過度封裝使其并不適合新手學習(無法理解深度學習的真正內(nèi)涵)，故不推薦。

五、PyTorch

PyTorch是一個Python優(yōu)先的深度學習框架，能夠在強大的GPU加速基礎(chǔ)上實現(xiàn)張量和動態(tài)神經(jīng)網(wǎng)絡(luò)。

PyTorch提供了完整的使用文檔、循序漸進的用戶指南，作者親自維護PyTorch論壇，方便用戶交流和解決問題。

Facebook人工智能研究院FAIR對PyTorch的推廣提供了大力支持。作為當今排名前三的深度學習研究機構(gòu)，F(xiàn)AIR的支持足以確保PyTorch獲得持續(xù)開發(fā)、更新的保障，不至于像一些個人開發(fā)的框架那樣曇花一現(xiàn)。如有需要，我們也可以使用Python軟件包(如NumPy、SciPy和Cython)來擴展 PyTorch。

相對于TensorFlow，PyTorch的一大優(yōu)點是它的圖是動態(tài)的，而TensorFlow框架是靜態(tài)圖，不利于擴展。同時，PyTorch非常簡潔，方便使用。本書選取PyTorch為主要的實現(xiàn)框架。

如果說TensorFlow的設(shè)計是“Make it complicated”，Keras的設(shè)計是“Make it complicated and hide it”，那么PyTorch的設(shè)計則真正做到了“Keep it simple，stupid”。

六、Caffe

Caffe是基于C++編寫的深度學習框架，作者是賈揚清，源碼開放(具有Licensed BSD)并提供了命令行工具以及Matlab和Python接口。

Caffe一直是深度學習研究者使用的框架，很多研究人員在上面進行開發(fā)和優(yōu)化，因而有了不少沉淀，因此Caffe也是流行的深度學習框架之一。盡管如此，Caffe也存在不支持多機、跨平臺、可擴展性差等問題。初學使用Caffe還需要注意下面兩個問題。

Caffe的安裝過程需要大量的依賴庫，因此涉及很多安裝版本問題，初學者須多加注意。

當用戶要實現(xiàn)一個新的層，就需要用C++實現(xiàn)它的前向傳播和反向傳播代碼，而如果想要新層運行在GPU上，則需要同時使用CUDA實現(xiàn)這一層的前向傳播和反向傳播。

Caffe2出自Facebook人工智能實驗室與應(yīng)用機器學習團隊，賈楊清仍是主要貢獻者之一。Caffe2在工程上做了很多優(yōu)化，比如運行速度、跨平臺、可擴展性等，它可以看作Caffe更細粒度的重構(gòu)，但在設(shè)計上，Caffe2其實和TensorFlow更像。目前Caffe2代碼已開源。

在工業(yè)界和學術(shù)界仍有很多人使用Caffe，而Caffe2的出現(xiàn)給我們提供了更多的選擇。

關(guān)于作者：涂銘，資深數(shù)據(jù)架構(gòu)師和人工智能技術(shù)專家，現(xiàn)就職于騰訊，曾就職于阿里。對大數(shù)據(jù)、自然語言處理、圖像識別、Python、Java等相關(guān)技術(shù)有深入的研究，積累了豐富的實踐經(jīng)驗。金智勇，計算機視覺算法專家，在計算機視覺領(lǐng)域深耕12年?，F(xiàn)就職于百度，曾就職于阿里和三星等知名高新技術(shù)企業(yè)。業(yè)務(wù)領(lǐng)域涵蓋增強現(xiàn)實、人臉識別、圖像美化、智能交通、工業(yè)質(zhì)檢等多個方向，具有豐富的算法研究與落地經(jīng)驗。

本文摘編自《深度學習與目標檢測：工具、原理與算法》，經(jīng)出版方授權(quán)發(fā)布。(ISBN：9787111690344)