数据科学家必知的五大深度学习框架！

原文 ：http://www.sykv.com/cat/depth/16289.html

从出道起，我就一直是一名程序员。我喜欢从头开始编写代码，这有助于我清楚地理解主题(或技巧)。当我们刚开始学习数据科学时，这种方法尤为有用。

尝试从无到有地实现一个神经网络，你将会明白很多有趣的事情。但是当需要为现实世界的数据集构建深度学习模型时，这还是一个不错的主意吗?如果你需要几天或几周的时间来建立起模型，这是完全不可能的。 可思数据-AI,智能驾驶,人脸识别,区块链,大数据

对于那些无法访问无限计算资源的人来说，你们已经来到了正确的地方。

值得庆幸的是，我们现在已经有了易于使用的开源深度学习框架，旨在简化复杂和大规模深度学习模型的实现。使用这些神奇的框架，我们可以实现诸如卷积神经网络这样复杂的模型。

在本文中，将介绍5种非常有用的深度学习框架、它们的优点以及应用。我们将对每个框架进行比较，以了解何时何地可以使用它们。

我们还创建了一个非常酷的针对每个深度学习框架的信息图表，附在在文章的末尾，为每个数据科学家所必备。

目录

一、什么是深度学习框架?

二、TensorFlow

三、Keras

四、PyTorch

五、Caffe

六、Deeplearning4j

七、五个深度学习框架之间的对比 本文来自可思数据，转载请联系本站及注明出处

一、什么是深度学习框架?

让我们用一个例子来理解这个概念，来看以下图像集合：

  可思数据

在这个图像中有不同的分类：猫，骆驼，鹿，大象等。我们的任务是将这些图像归到相应的类(或类别)中。用Google搜索一下就能知道：卷积神经网络(CNNs)对于这类图像分类任务十分有效。

我们要做的工作就是实现这个模型，对吗?如果从头开始编写一个卷积神经网络，则需要几天(甚至几周)才能得到一个有效的模型，我们却没法等这么长的时间!

这正是深度学习框架真正改变了局面的地方。

深度学习框架是一种界面、库或工具，它使我们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。 可思数据-www.sykv.cn,sykv.com

利用恰当的框架来快速构建模型，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 可思数据-www.sykv.cn,sykv.com

♦ 并行化的进程，以减少计算

♦ 自动计算梯度

这五点也是我用来挑选五大顶级深度学习框架的标准。下面让我们详细研究一下它们。

二、TensorFlow

TensorFlow是由谷歌大脑团队的研究人员和工程师开发的，它是深度学习领域中最常用的软件库(尽管其他软件正在迅速崛起)。 可思数据-人工智能资讯平台

  可思数据-AI,智能驾驶,人脸识别,区块链,大数据

我喜欢TensorFlow的原因有两点：它完全是开源的，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。

TensorFlow如此流行的最大原因之一是支持多种语言来创建深度学习模型，比如Python、C和R，并且有不错的文档和指南。

TensorFlow有许多组件，其中最为突出的是：

♦ Tensorboard：帮助使用数据流图进行有效的数据可视化

♦ TensorFlow：用于快速部署新算法/试验 可思数据

TensorFlow的灵活架构使我们能够在一个或多个CPU(以及GPU)上部署深度学习模型。下面是一些典型的TensorFlow用例：

♦ 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

用例远远不止这些，如果你知道TensorFlow还有以上所述之外的其他应用，我很乐意知道!可以在本文的评论部分告诉我，我们再做讨论。

安装TensorFlow也是一个非常简单的任务。

对于CPU：

♦ pip install tensorflow 可思数据-AI,人工智能,深度学习,机器学习,神经网络

对于启用CUDA的GPU卡：

♦ pip install tensorflow-gpu

通过以下综合教程了解如何使用TensorFlow建立神经网络模型：

♦ 利用TensorFlow实现神经网络简介

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

你习惯使用Python吗?如果是，那么可以立即连接到Keras。这是一个开启你的深度学习之旅的完美的框架。 本文来自可思数据，转载请联系本站及注明出处

Keras用Python编写，可以在TensorFlow(以及CNTK和Theano)之上运行。TensorFlow的接口具备挑战性，因为它是一个低级库，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便是你的正确选择!它的目标是最小化用户操作，并使其模型真正容易理解。

可以将Keras中的模型大致分为两类： 可思数据

1. 序列化 可思数据-数据挖掘,智慧医疗,机器视觉,机器人

模型的层是按顺序定义的。这意味着当我们训练深度学习模型时，这些层次是按顺序实现的。下面是一个顺序模型的示例： 内容来自可思数据

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')) 内容来自可思数据

2. Keras 函数API

用于定义复杂模型，例如多输出模型或具有共享层的模型。请查看下面的代码来理解这一点： 可思数据-人工智能资讯平台

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) 可思数据-数据挖掘,智慧医疗,机器视觉,机器人

Keras有多种架构，如下所述，用于解决各种各样的问题，其中包括我的最爱之一：图像分类!

VGG 16
VGG 19
InceptionV 3
Mobilenet及更多

可以参考官方的Keras文档来详细了解框架是如何工作的。

Keras官方中文文档 内容来自可思数据

https://keras.io/zh/

仅需一行代码即可安装Keras：

pip install keras

对Keras感兴趣?可以继续学习以下教程，了解如何使用Keras实现神经网络： 本文来自可思数据，转载请联系本站及注明出处

♦ 基于Keras的神经网络优化

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 可思数据-www.sykv.cn,sykv.com

还记得我们说过TensorFlow是目前最常用的深度学习框架吗?但是如果考虑到数据科学家和开发者们拥抱Facebook的PyTorch的速度，那它可能很快就要落伍了。 可思数据-数据挖掘,智慧医疗,机器视觉,机器人

我是PyTorch的拥护者，在我所研究过的框架中，PyTorch最富灵活性。

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。 可思数据-人工智能资讯平台

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。 内容来自可思数据

可以使用PyTorch处理各种来自深度学习的挑战，包括：

♦ 影像(检测、分类等)

♦ 文本(NLP)

♦ 增强学习 可思数据-AI,人工智能,深度学习,机器学习,神经网络

想知道如何在机器上安装PyTorch，请稍等片刻。安装步骤取决于操作系统、需要安装的PyTorch包、正在使用的工具/语言、CUDA等其他一些因素。

根据此链接的内容检查PyTorch安装步骤，准备好框架之后，再检查以下两个资源，利用PyTorch构建第一个神经网络：

学习如何使用PyTorch来构建快速和准确的神经网络-4个不错的案例研究

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 本文来自可思数据，转载请联系本站及注明出处

五、Caffe

  可思数据

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。同样，它也是开源的!

首先，Caffe对递归网络和语言建模的支持不如上述三个框架。但是Caffe最突出的地方是它的处理速度和从图像中学习的速度。

Caffe可以每天处理超过六千万张图像，只需单个NVIDIA K40 GPU，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坚实的支持。

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： 内容来自可思数据

♦ 简单的递归

♦ 大规模视觉分类

♦ 用于图像相似性的SiameSE网络 可思数据

♦ 语音和机器人应用

有关更多细节，您可以查看Caffe相关文档。

Caffe安装文档

http://caffe.berkeleyvision.org/installation.html

Caffe文档

http://caffe.berkeleyvision.org/

六、Deeplearning4j

  可思数据

我们社区中有Java程序员吗?这是你理想的深度学习框架!Deeplearning4j是用Java实现的，因此与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。谁都喜欢这样，尤其是在深度学习中!

Deeplearning4j也适用于不同的数据类型：

♦ 图像

♦ CSV 可思数据-AI,人工智能,深度学习,机器学习,神经网络

♦ 纯文本等

可以使用Deeplearning4j构建的深度学习模型有： 内容来自可思数据

♦ 卷积神经网络(CNNs)

♦ 递归神经网络(RNNs)

♦ 长短时记忆(LSTM)等多种结构 本文来自可思数据，转载请联系本站及注明出处

阅读Deeplearning4j的安装步骤和文档，开始使用这个框架。

Deeplearning4j安装步骤

https://deeplearning4j.org/docs/latest/deeplearning4j-config-gpu-cpu

Deeplearning4j文档

https://deeplearning4j.org/docs/latest/deeplearning4j-quickstart

七、五种深度学习框架之间的对比

上面已经讨论了五个最流行的深度学习框架，每一个都独具特性，那么数据科学家会如何做出选择呢。

你决定用哪一种了吗?或者你打算换一个全新的框架?不管是什么情况，了解每个框架的优点和局限性非常重要。如果选对了正确的框架，当遇到错误时，便不会感到惊讶了!

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，将使用以下标准比较这五个深度学习框架： 可思数据-www.sykv.cn,sykv.com

♦ 社区支持力度

♦ 使用的语言

♦ 接口

♦ 对预训练的模型的支持

下表对这些框架进行了比较： 可思数据-人工智能资讯平台

对于选择使用的框架来说，这是一个非常方便的对比表!

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!

TensorFlow

我们先来说说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的学习曲线将会令人畏惧地陡峭。

我完全理解，对于刚起步的人来说，这可能太复杂。但我建议你不断练习，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

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。

Keras的重点更多地放在取得成果上，而不是被模型的复杂之处所困扰。因此，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。

Caffe 可思数据-www.sykv.cn,sykv.com

在图像数据上构建深度学习模型时，Caffe是不错的选择。但是，当谈到递归神经网络和语言模型时，Caffe落后于我们讨论过的其他框架。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。 可思数据-数据挖掘,智慧医疗,机器视觉,机器人

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。 可思数据

Deeplearning4j 可思数据-www.sykv.cn,sykv.com

正如之前所述，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，它在不牺牲速度的情况下可以处理大量数据。听起来不错，有机会通过! 可思数据-AI,人工智能,深度学习,机器学习,神经网络

后记及图示信息图

除了文中提及的五种深度学习框架之外，你有没有其他的深度学习框架?很想听听你的想法和反馈。请在下面的评论部分与我联系。

记住，这些框架基本上只是帮助我们实现最终目标的工具，正确地选择它们可以减少大量的精力和时间。 可思数据-人工智能资讯平台

最后附上资讯插图，详细介绍了我们所涵盖的每个深度学习框架。下载它，打印它，并在下次构建深度学习模型时使用它吧! 可思数据-www.sykv.cn,sykv.com

  可思数据

http://www.sykv.com/cat/depth/16289.html

原文标题：

Top 5 Amazing Deep Learning Frameworks Every Data Scientist Must Know! (with Illustrated Infographic)

最后

以上就是怕黑小甜瓜为你收集整理的数据科学家必知的五大深度学习框架！的全部内容，希望文章能够帮你解决数据科学家必知的五大深度学习框架！所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。