概述
從出道起，我就一直是一名程式設計師。我喜歡從頭開始編寫程式碼，這有助於我清楚地理解主題（或技巧）。當我們剛開始學習資料科學時，這種方法尤為有用。
嘗試從無到有地實現一個神經網路，你將會明白很多有趣的事情。但是當需要為現實世界的資料集構建深度學習模型時，這還是一個不錯的主意嗎？如果你需要幾天或幾周的時間來建立起模型，這是完全不可能的。
對於那些無法訪問無限計算資源的人來說，你們已經來到了正確的地方。
值得慶幸的是，我們現在已經有了易於使用的開源深度學習框架，旨在簡化複雜和大規模深度學習模型的實現。使用這些神奇的框架，我們可以實現諸如卷積神經網路這樣複雜的模型。
在本文中，將介紹5種非常有用的深度學習框架、它們的優點以及應用。我們將對每個框架進行比較，以瞭解何時何地可以使用它們。
我們還建立了一個非常酷的針對每個深度學習框架的資訊圖表，附在在文章的末尾，為每個資料科學家所必備。
目錄
一、什麼是深度學習框架？
二、TensorFlow
三、Keras
四、PyTorch
五、Caffe
六、Deeplearning4j
七、五個深度學習框架之間的對比
一、什麼是深度學習框架？
讓我們用一個例子來理解這個概念，來看以下影像集合：
在這個影像中有不同的分類：貓，駱駝，鹿，大象等。我們的任務是將這些影像歸到相應的類（或類別）中。用Google搜尋一下就能知道：卷積神經網路（CNNs）對於這類影像分類任務十分有效。
我們要做的工作就是實現這個模型，對嗎？如果從頭開始編寫一個卷積神經網路，則需要幾天（甚至幾周）才能得到一個有效的模型，我們卻沒法等這麼長的時間！
這正是深度學習框架真正改變了局面的地方。
深度學習框架是一種介面、庫或工具，它使我們在無需深入瞭解底層演算法的細節的情況下，能夠更容易、更快速地構建深度學習模型。深度學習框架利用預先構建和優化好的元件集合定義模型，為模型的實現提供了一種清晰而簡潔的方法。
利用恰當的框架來快速構建模型，而無需編寫數百行程式碼，一個良好的深度學習框架具備以下關鍵特徵：
優化的效能
易於理解和編碼
良好的社群支援
並行化的程式，以減少計算
自動計算梯度
這五點也是我用來挑選五大頂級深度學習框架的標準。下面讓我們詳細研究一下它們。
二、TensorFlow
TensorFlow是由谷歌大腦團隊的研究人員和工程師開發的，它是深度學習領域中最常用的軟體庫（儘管其他軟體正在迅速崛起）。
我喜歡TensorFlow的原因有兩點：它完全是開源的，並且有出色的社群支援。TensorFlow為大多數複雜的深度學習模型預先編寫好了程式碼，比如遞迴神經網路和卷積神經網路。
TensorFlow如此流行的最大原因之一是支援多種語言來建立深度學習模型，比如Python、C和R，並且有不錯的文件和指南。
TensorFlow有許多元件，其中最為突出的是：
Tensorboard：幫助使用資料流圖進行有效的資料視覺化
TensorFlow：用於快速部署新演算法/試驗
TensorFlow的靈活架構使我們能夠在一個或多個CPU（以及GPU）上部署深度學習模型。下面是一些典型的TensorFlow用例：
基於文字的應用：語言檢測、文字摘要
影像識別：影像字幕、人臉識別、目標檢測
聲音識別
時間序列分析
視訊分析
用例遠遠不止這些，如果你知道TensorFlow還有以上所述之外的其他應用，我很樂意知道！可以在本文的評論部分告訴我，我們再做討論。
安裝TensorFlow也是一個非常簡單的任務。
對於CPU：
pip install tensorflow
對於啟用CUDA的GPU卡：
pip install tensorflow-gpu
通過以下綜合教程瞭解如何使用TensorFlow建立神經網路模型：
利用TensorFlow實現神經網路簡介
https://www.analyticsvidhya.com/blog/2016/10/an-introduction-to-implementing-neural-networks-using-tensorflow/?utm_source=blog&utm_medium=comparison-deep-learning-framework
TensorFlow教程
https://www.tensorflow.org/tutorials
三、Keras
你習慣使用Python嗎？如果是，那麼可以立即連線到Keras。這是一個開啟你的深度學習之旅的完美的框架。
Keras用Python編寫，可以在TensorFlow（以及CNTK和Theano）之上執行。TensorFlow的介面具備挑戰性，因為它是一個低階庫，新使用者可能會很難理解某些實現。
而Keras是一個高層的API，它為快速實驗而開發。因此，如果希望獲得快速結果，Keras會自動處理核心任務並生成輸出。Keras支援卷積神經網路和遞迴神經網路，可以在CPU和GPU上無縫執行。
深度學習的初學者經常會抱怨：無法正確理解複雜的模型。如果你是這樣的使用者，Keras便是你的正確選擇！它的目標是最小化使用者操作，並使其模型真正容易理解。
可以將Keras中的模型大致分為兩類：
1. 序列化
模型的層是按順序定義的。這意味著當我們訓練深度學習模型時，這些層次是按順序實現的。下面是一個順序模型的示例：
from keras.models import Sequential from keras.layers import Dense model = Sequential() # we can add multiple layers to the model using .add() model.add(Dense(units=64, activation='relu', input_dim=100)) model.add(Dense(units=10, activation='softmax'))
2. Keras 函式API
用於定義複雜模型，例如多輸出模型或具有共享層的模型。請檢視下面的程式碼來理解這一點：
from keras.layers import Input, Dense from keras.models import Model inputs = Input(shape=(100,)) # specify the input shape x = Dense(64, activation='relu')(inputs) predictions = Dense(10, activation='softmax')(x) model = Model(inputs=inputs, outputs=predictions)
Keras有多種架構，如下所述，用於解決各種各樣的問題，其中包括我的最愛之一：影像分類！
VGG 16
VGG 19
InceptionV 3
Mobilenet及更多
可以參考官方的Keras文件來詳細瞭解框架是如何工作的。
Keras官方中文文件
https://keras.io/zh/
僅需一行程式碼即可安裝Keras：
pip install keras
對Keras感興趣？可以繼續學習以下教程，瞭解如何使用Keras實現神經網路：
基於Keras的神經網路優化
https://www.analyticsvidhya.com/blog/2016/10/tutorial-optimizing-neural-networks-using-keras-with-image-recognition-case-study/?utm_source=blog&utm_medium=comparison-deep-learning-framework
四、PyTorch
還記得我們說過TensorFlow是目前最常用的深度學習框架嗎？但是如果考慮到資料科學家和開發者們擁抱Facebook的PyTorch的速度，那它可能很快就要落伍了。
我是PyTorch的擁護者，在我所研究過的框架中，PyTorch最富靈活性。
PyTorch是Torch深度學習框架的一個介面，可用於建立深度神經網路和執行張量計算。Torch是一個基於Lua的框架，而PyTorch則執行在Python上。
PyTorch是一個Python包，它提供張量計算。張量是多維陣列，就像numpy的ndarray一樣，它也可以在GPU上執行。PyTorch使用動態計算圖，PyTorch的Autograd軟體包從張量生成計算圖，並自動計算梯度。
與特定功能的預定義的圖表不同，PyTorch提供了一個框架，用於在執行時構建計算圖形，甚至在執行時也可以對這些圖形進行更改。當不知道建立神經網路需要多少記憶體的情況下，這個功能便很有價值。
可以使用PyTorch處理各種來自深度學習的挑戰，包括：
影像（檢測、分類等）
文字(NLP)
增強學習
想知道如何在機器上安裝PyTorch，請稍等片刻。安裝步驟取決於作業系統、需要安裝的PyTorch包、正在使用的工具/語言、CUDA等其他一些因素。
根據此連結的內容檢查PyTorch安裝步驟，準備好框架之後，再檢查以下兩個資源，利用PyTorch構建第一個神經網路：
學習如何使用PyTorch來構建快速和準確的神經網路-4個不錯的案例研究
https://www.analyticsvidhya.com/blog/2019/01/guide-pytorch-neural-networks-case-studies/https://www.analyticsvidhya.com/blog/2019/01/guide-pytorch-neural-networks-case-studies/?utm_source=blog&utm_medium=comparison-deep-learning-framework
PyTorch教程
https://pytorch.org/tutorials/beginner/deep_learning_60min_blitz.html
五、Caffe
CAFE是另一個面向影像處理領域的、比較流行的深度學習框架，它是由賈陽青（Yangqing Jia）在加利福尼亞伯克利大學讀博士期間開發的。同樣，它也是開源的！
首先，Caffe對遞迴網路和語言建模的支援不如上述三個框架。但是Caffe最突出的地方是它的處理速度和從影像中學習的速度。
Caffe可以每天處理超過六千萬張影像，只需單個NVIDIA K40 GPU，其中 1毫秒/影像用於推理，4毫秒/影像用於學習。
它為C、Python、MATLAB等介面以及傳統的命令列提供了堅實的支援。
通過Caffe Model Zoo框架可訪問用於解決深度學習問題的預訓練網路、模型和權重。這些模型可完成下述任務：
簡單的遞迴
大規模視覺分類
用於影像相似性的SiameSE網路
語音和機器人應用
有關更多細節，您可以檢視Caffe相關文件。
Caffe安裝文件
http://caffe.berkeleyvision.org/installation.html
Caffe文件
http://caffe.berkeleyvision.org/
六、Deeplearning4j
我們社群中有Java程式設計師嗎？這是你理想的深度學習框架！Deeplearning4j是用Java實現的，因此與Python相比效率更高。它使用稱為ND4J的張量庫，提供了處理n維陣列（也稱為張量）的能力。該框架還支援CPU和GPU。
Deeplearning4j將載入資料和訓練演算法的任務作為單獨的過程處理，這種功能分離提供了很大的靈活性。誰都喜歡這樣，尤其是在深度學習中！
Deeplearning4j也適用於不同的資料型別：
影像
CSV
純文字等
可以使用Deeplearning4j構建的深度學習模型有：
卷積神經網路(CNNs)
遞迴神經網路(RNNs)
長短時記憶(LSTM)等多種結構
閱讀Deeplearning4j的安裝步驟和文件，開始使用這個框架。
Deeplearning4j安裝步驟
https://deeplearning4j.org/docs/latest/deeplearning4j-config-gpu-cpu
Deeplearning4j文件
https://deeplearning4j.org/docs/latest/deeplearning4j-quickstart
七、五種深度學習框架之間的對比
上面已經討論了五個最流行的深度學習框架，每一個都獨具特性，那麼資料科學家會如何做出選擇呢。
你決定用哪一種了嗎？或者你打算換一個全新的框架？不管是什麼情況，瞭解每個框架的優點和侷限性非常重要。如果選對了正確的框架，當遇到錯誤時，便不會感到驚訝了！
某些框架在處理影像資料時工作得非常好，但無法解析文字資料；某些框架在處理影像和文字資料時，效能很好，但是它們的內部工作原理很難理解。
在本節中，將使用以下標準比較這五個深度學習框架：
社群支援力度
使用的語言
介面
對預訓練的模型的支援
下表對這些框架進行了比較：
對於選擇使用的框架來說，這是一個非常方便的對比表！
所有這些框架都是開源的，支援CUDA，並有預訓練的模型。但是，應該如何正確開始，應該選擇哪個框架來構建（初始）深度學習模型？讓我們來做詳細的討論！
- TensorFlow
我們先來說說TensortFlow。TensorFlow能處理影像以及基於序列的資料，如果你是深度學習的初學者，或者對線性代數和微積分等數學概念沒有堅實的基礎，那麼TensortFlow的學習曲線將會令人畏懼地陡峭。
我完全理解，對於剛起步的人來說，這可能太複雜。但我建議你不斷練習，不斷探索社群，並繼續閱讀文章以掌握TensorFlow的訣竅。一旦對這個框架有了一個很好的理解，實現一個深度學習模型對你來說將是易如反掌。
- Keras
Keras是一個非常堅實的框架，可以開啟深度學習之旅。如果你熟悉Python，並且沒有進行一些高階研究或開發某種特殊的神經網路，那麼Keras適合你。
Keras的重點更多地放在取得成果上，而不是被模型的複雜之處所困擾。因此，如果有一個與影像分類或序列模型相關的專案，可以從Keras開始，很快便可以構建出一個工作模型。
Keras也整合在TensorFlow中，因此也可以使用tf.keras.構建模型。
- Caffe
在影像資料上構建深度學習模型時，Caffe是不錯的選擇。但是，當談到遞迴神經網路和語言模型時，Caffe落後於我們討論過的其他框架。Caffe的主要優點是，即使沒有強大的機器學習或微積分知識，也可以構建出深度學習模型。
Caffe主要用於建立和部署行動電話和其他計算受限平臺的深度學習模型。
- Deeplearning4j
正如之前所述，DeepleEarning4J是Java程式設計師的天堂。它為CNNS、RNN和LSTMS等不同的神經網路提供了大量的支援，它在不犧牲速度的情況下可以處理大量資料。聽起來不錯，有機會通過！
後記及圖示資訊圖
除了文中提及的五種深度學習框架之外，你有沒有其他的深度學習框架？很想聽聽你的想法和反饋。請在下面的評論部分與我聯絡。
記住，這些框架基本上只是幫助我們實現最終目標的工具，正確地選擇它們可以減少大量的精力和時間。
最後附上資訊插圖，詳細介紹了我們所涵蓋的每個深度學習框架。下載它，列印它，並在下次構建深度學習模型時使用它吧！
原文標題：
Top 5 Amazing Deep Learning Frameworks Every Data Scientist Must Know! (with Illustrated Infographic)
原文連結：
https://www.analyticsvidhya.com/blog/2019/03/deep-learning-frameworks-comparison/