大数据文摘授权转载自数据派THU
作者：陈之炎
对于据科学的初学者来说，利用开源的深度学习框架，可以大幅度简化复杂的大规模度学习模型的实现过程。在深度学习框架下构建模型，无需花费几天或几周的时间从头开始编写代码，便可以轻松实现诸如卷积神经网络这样复杂的模型。在本文中，将介绍几种非常有用的深度学习框架、它们的优点以及应用，通过对每个框架进行比较，研发人员了解如何有选择地使用它们，高效快捷完成项目任务。
深度学习框架是一种界面、库或工具，它使编程人员在无需深入了解底层算法的细节的情况下，能够更容易、更快速地构建深度学习模型。深度学习框架利用预先构建和优化好的组件集合定义模型，为模型的实现提供了一种清晰而简洁的方法。
利用恰当的框架可以快速构建模型，而无需编写数百行代码，一个良好的深度学习框架具备以下关键特征：
优化的性能
易于理解和编码
良好的社区支持，
并行化的进程，以减少计算
自动计算梯度
这五点也是用来挑选五大顶级深度学习框架的首选标准。
PyTorch是Torch深度学习框架的一个接口，可用于建立深度神经网络和执行张量计算。Torch是一个基于Lua的框架，而PyTorch则运行在Python上。
PyTorch是一个Python包，它提供张量计算。张量是多维数组，就像numpy的ndarray一样，它也可以在GPU上运行。PyTorch使用动态计算图，PyTorch的Autograd软件包从张量生成计算图，并自动计算梯度。
与特定功能的预定义的图表不同，PyTorch提供了一个框架，用于在运行时构建计算图形，甚至在运行时也可以对这些图形进行更改。当不知道创建神经网络需要多少内存的情况下，这个功能便很有价值。
PyTorch灵活性大，可以使用PyTorch处理各种深度学习的任务，包括但不局限于：
谷歌最新推出的JAX，官方定义为CPU、GPU和TPU上的NumPy。它具有出色的自动微分（differentiation）功能，是可用于高性能机器学习研究的python库。Numpy在科学计算领域十分普及，但是在深度学习领域，由于它不支持自动微分和GPU加速，所以更多的是使用Tensorflow或Pytorch这样的深度学习框架。
JAX使用 XLA 在诸如GPU和TPU的加速器上编译和运行NumPy。它与 NumPy API 非常相似， numpy 完成的事情几乎都可以用 jax.numpy 完成。
XLA是TensorFlow底层做JIT编译优化的工具，XLA可以对计算图做算子Fusion，将多个GPU Kernel合并成少量的GPU Kernel，用以减少调用次数，可以大量节省GPU Memory IO时间。Jax本身并没有重新做执行引擎层面的东西，而是直接复用TensorFlow中的XLA Backend进行静态编译,以此实现加速。
JAX在偏微分方程求解问题上的表现尤为突出，研究人员试了试分别在PyTorch和JAX两种框架上运行几种预训练模型，发现JAX的速度大约是PyTorch的6倍。JAX在以分子动力学为代表的科学计算领域的巨大潜力。
TensorFlow由谷歌大脑团队的研究人员和工程师研发，它是深度学习领域中最常用的框架。
TensorFlow之所以流行的原因有两点：首先，它是完全开源的，并且有出色的社区支持。TensorFlow为大多数复杂的深度学习模型预先编写好了代码，比如递归神经网络和卷积神经网络，其次，它支持多种语言来创建深度学习模型，比如Python语言、C语言和R语言等，并且有不错的文档和指南支持。
TensorFlow有许多组件，其中最为突出的是：
TensorFlow的架构灵活，能够在一个或多个CPU(以及GPU)上部署深度学习模型，典行的TensorFlow应用场景如下：
基于文本的应用：语言检测、文本摘要
图像识别：图像字幕、人脸识别、目标检测
声音识别
时间序列分析
视频分析
Keras用Python编写，可以在TensorFlow(以及CNTK和Theano)之上运行。TensorFlow的接口是一个低级库，新用户可能会很难理解某些实现。
而Keras是一个高层的API，它为快速实验而开发。因此，如果希望获得快速结果，Keras会自动处理核心任务并生成输出。Keras支持卷积神经网络和递归神经网络，可以在CPU和GPU上无缝运行。
深度学习的初学者经常会抱怨：无法正确理解复杂的模型。如果你是这样的用户，Keras便是正确选择！它的目标是最小化用户操作，并使其模型真正容易理解。
Keras有多种架构，用于解决各种各样的问题，其中最为典型的应用是图像分类！
CAFE是另一个面向图像处理领域的、比较流行的深度学习框架，它是由贾阳青（Yangqing Jia）在加利福尼亚伯克利大学读博士期间开发的，它也是开源的！
虽然Caffe对递归网络和语言建模的支持不如前面所述的几个框架。但是Caffe最突出的优点是：只需单个NVIDIA K40 GPU，它便可以每天处理超过六千万张图像，其中 1毫秒/图像用于推理，4毫秒/图像用于学习。
它为C、Python、MATLAB等接口以及传统的命令行提供了支持。
通过Caffe Model Zoo框架可访问用于解决深度学习问题的预训练网络、模型和权重。这些模型可完成下述任务：
1) 简单的递归
2) 大规模视觉分类
3) 用于图像相似性的SiameSE网络
4) 语音和机器人应用
对于Java程序员来说，Deeplearning4j理想的深度学习框架！
Deeplearning4j用Java实现，与Python相比效率更高。它使用称为ND4J的张量库，提供了处理n维数组(也称为张量)的能力。该框架还支持CPU和GPU。
Deeplearning4j将加载数据和训练算法的任务作为单独的过程处理，这种功能分离提供了很大的灵活性。这成为了它的突出优点。
Deeplearning4j适用于图像、CSV 和纯文本等不同的数据类型。
可以使用Deeplearning4j构建的深度学习模型有：
1) 卷积神经网络(CNNs)
2) 递归神经网络(RNNs)
3) 长短时记忆(LSTM)等多种结构.
上面已经讨论了六种较为流行的深度学习框架，每一种都独具特性，那么数据科学家会从中如何做出选择？
当接到一个新的项目时，如何决定采用哪个框架？为此，需要了解每个框架的优点和局限性。如果选对了正确的框架，会起到事半功倍的效果。某些框架在处理图像数据时工作得非常好，但无法解析文本数据；某些框架在处理图像和文本数据时，性能很好，但是它们的内部工作原理很难理解。
在本节中，使用以下标准比较上述深度学习框架：
1) 社区支持力度
2) 使用的语言
3) 接口
4) 对预训练的模型的支持
所有这些框架都是开源的，支持CUDA，并有预训练的模型。但是，应该如何正确开始，应该选择哪个框架来构建（初始）深度学习模型？让我们来做详细的讨论！
先来说说TensortFlow。TensorFlow能处理图像以及基于序列的数据，如果你是深度学习的初学者，或者对线性代数和微积分等数学概念没有坚实的基础，那么TensortFlow的学习曲线将会十分陡峭。对于刚起步的人来说，TensorFlow可能过于复杂。建议需要不断练习，不断探索社区，并继续阅读文章以掌握TensorFlow的诀窍。一旦对这个框架有了一个很好的理解，实现一个深度学习模型对你来说将是易如反掌。
Keras是一个非常坚实的框架，可以开启深度学习之旅。如果你熟悉Python，并且没有进行一些高级研究或开发某种特殊的神经网络，那么Keras适合你。如果有一个与图像分类或序列模型相关的项目，可以从Keras开始，很快便可以构建出一个工作模型。Keras也集成在TensorFlow中，因此也可以使用tf.keras.构建模型。
在图像数据上构建深度学习模型时，Caffe是不错的选择。但是，当用到递归神经网络和语言模型时，Caffe落后于其他框架。Caffe的主要优点是，即使没有强大的机器学习或微积分知识，也可以构建出深度学习模型。
Caffe主要用于建立和部署移动电话和其他计算受限平台的深度学习模型。
正如前文所述，DeepleEarning4J是Java程序员的天堂，它为CNNS、RNN和LSTMS等不同的神经网络提供了大量的支持，在不牺牲速度的情况下它可以处理大量数据。
