机器学习｜几款主流框架的对比和选择

2018 年 6 月 15 日 开源中国

随着 AI 技术快速发展，各种理论与实践层出不穷，它正在迅速改变我们生活中几乎每一个领域。而各种开发库和框架的发展，也拉近了开发者与 AI 距离。本文将介绍主流人工智能开发库，并分析其特征，帮助 AI 领域开发者减少选择障碍。

TensorFlow

Google 开源人工智能工具

TensorFlow 是 Google 的开源人工智能工具。它提供了一个使用数据流图进行数值计算的库。可以运行在多种不同的有着单或多 CPU 和 GPU 的系统，甚至可以在移动设备上运行。它拥有深厚的灵活性、真正的可移植性、自动微分功能，并且支持 Python 和 c++。

但由于 TensorFlow 的每个计算流都必须构造为一个静态图，且缺乏符号性循环，增加了计算困难。TensorFlow 在执行性能方面并无优势，对 RNN 支持不如 Theano，缺乏许多预先训练的模型。

Microsoft CNTK

开源深度学习工具包

CNTK 可以看作是微软对 Google 的 TensorFlow 的对擂。Microsoft 计算网络工具包 (CNTK) 是一个增强分离计算网络模块化和维护的库，提供学习算法和模型描述。去年 CNTK 2.0 版本的发布简化了深度学习流程，可在更广泛的人工智能生态系统之中实现无缝整合。

CNTK 支持C ++、C＃、Java、Python，允许分布式训练，还有丰富的 RNN教程和预构建模型。但 CNTK 最开始为内部人员开发使用，所以文档晦涩难懂，社区规模较小，入门资料少。

Deeplearning4j

为 Java 用户量身定制

Deeplearning4j（以下简称：DL4J）是 Java 和 Scala 环境下的一个开源分布式的深度学习项目，可以构建、定型和部署神经网络。DL4J 与 Hadoop 和 Spark 集成，支持分布式 CPU 和 GPU，为商业环境，而非研究工具目的所设计。DL4J 支持 YARN 与 RBM、DBN、CNN、RNN、RNTN 和 LTSM等多种深度网络架构，还对矢量化库 Canova 提供支持。

DL4J 使用 Java 语言实现，本质上比 Python 快，在图像识别、欺诈检测和自然语言处理方面的表现出众。

Caffe

快速、开源的深度学习框架

Caffe 是一个广为人知、广泛应用的机器视觉库，将 Matlab 实现的快速卷积网络移植到了 C 和 C++ 平台上。Caffe 具有很好的 CNN 建模能力，但是 RNN 资源就少很多，所以它更多的是面向图像识别、推荐引擎和自然语言识别等方向的应用，不面向其他深度学习应用诸如语音识别、时间序列预测、图像字幕和文本等其他需要处理顺序信息的任务。

但 Caffe 不像 TensorFlow、CNTK 和 Theano 那样支持细粒度网络层。构建复杂的层类型必须以低级语言完成。由于其遗留架构，Caffe 对循环网络和语言建模的支持总体上很薄弱。

Caffe2

最佳性能解放生产力

去年 4 月，Facebook 开源了 Caffe2。Caffe2 更注重模块化，在移动端、大规模部署上表现卓越。如同 TensorFlow，Caffe2 使用 C++ Eigen 库，支持 ARM 架构。

Caffe 设计的选择使得它处理视觉类型的难题时很完美，Caffe2 延续了它对视觉类问题的支持，且增加了对自然语言处理、手写识别、时序预测有帮助的 RNN 和 LSTM 支持。Caffe2 的提供了最佳的性能，但在计算灵活性上不如 PyTorch，贾扬清曾在 reddit 上表示这是 Caffe2 和 PyTorch 团队有意做出的选择。