作者简介魏秀参，旷视科技 Face++ 南京研究院负责人。南京大学 LAMDA 研究所博士，主要研究领域为计算机视觉和机器学习。在相关领域顶级国际期刊如 IEEE TIP、IEEE TNNLS、Machine Learning Journal 等和顶级国际会议如 ICCV、IJCAI、ICDM 等发表论文十余篇，并两次获得国际计算机视觉相关竞赛冠亚军。著有《解析深度学习——卷积神经网络原理与视觉实践》一书。曾获 CVPR 2017 最佳审稿人、南京大学博士生校长特别奖学金等荣誉，担任 ICCV、CVPR、ECCV、NIPS、IJCAI、AAAI 等国际会议 PC member。（个人自媒体：知乎“魏秀参”，新浪微博“Wilson_NJUer”）。14 深度学习开源工具简介自 2006 年 Hinton 和 Salakhutdinov 在 Science 上发表的深度学习论文点燃了最近一次神经网络复兴的“星星之火”，接着， 2012 年 Alex-Net 在 ImageNet 上夺冠又迅速促成了深度学习在人工智能领域的“燎原之势”。当下深度学习算法可谓主宰了计算机视觉、自然语言学习等众多人工智能应用领域。 与此同时，与学术研究一起快速发展并驾齐驱的还有层出不穷的诸多深度学习 开源开发框架。本章将向读者介绍和对比 9 个目前使用较多的深度学习开源框架，供大家根据自身情况“择优纳之”。
14.1 常用框架对比表 14.2 中从“开发语言”、“支持平台”、“支持接口”、是否支持“自动求导”、 是否提供“预训练模型”、是否支持“单机多卡并行”运算等 10 个方面，对包 含 Caffe、 MatConvNet、 TensorFlow、 Theano 和 Torch 在内的 9 个目前最常用的深度学习开源框架进行了对比。
14.2 常用框架的各自特点14.2.1 Caffe
Caffe 是一个广为人知、广泛应用侧重计算机视觉方面的深度学习库，由加州大学伯克利分校 BVLC 组开发，总结来说， Caffe 有以下优缺点:
✓ 适合前馈网络和图像处理; ✓ 适合微调已有的网络模型; ✓ 训练已有网络模型无需编写任何代码; ✓ 提供方便的 Python 和 MATLAB 接口;
✗ 可单机多卡，但不支持多机多卡; ✗ 需要用 C++/CUDA 编写新的 GPU 层; ✗ 不适合循环网络; ✗ 用于大型网络(如， GoogLeNet、 ResNet )时过于繁琐; ✗ 扩展性稍差，代码有些不够精简; ✗ 不提供商业支持; ✗ 框架更新缓慢，可能之后不再更新。
14.2.2 Deeplearning4jDeeplearning4j 简称 DL4J，是基于JVM、聚焦行业应用且提供商业支持的分布式深度学习框架，其宗旨是在合理的时间内解决各类涉及大量数据的问题。 它与 Hadoop 和 Spark 集成，可使用任意数量的 GPU 或 CPU 运行。 DL4J 是一种适用于各类平台的便携式学习库。开发语言为 Java，可通过调整 JVM 的堆空间、垃圾回收算法、内存管理以及 DL4J 的 ETL 数据加工管道来优化 DL4J 的性能。其优缺点为: ✓ 适用于分布式集群，可高效处理海量数据; ✓ 在多种芯片上的运行已经被优化; ✓ 可跨平台运行，有多种语言接口; ✓ 支持单机多卡和多机多卡; ✓ 支持自动求导，方便编写新的网络层; ✓ 提供商业支持; ✗ 提供的预训练模型有限; ✗ 框架速度不够快。14.2.3 KerasKeras 由谷歌软件工程师 Francois Chollet 开发，是一个基于 Theano 和 TensorFlow 的深度学习库，具有一个受 Torch 启发、较为直观的 API。其优缺点如下: ✓ 受 Torch 启发的直观;✓ 可使用 Theano、TensorFlow 和 Deeplearning4j 后端; ✓ 支持自动求导;✓ 框架更新速度快。
14.2.4 MXNetMXNet 是一个提供多种 API 的机器学习框架，主要面向 R、Python 和 Julia 等语言，目前已被亚马逊云服务采用。其优缺点为:✓ 可跨平台使用;✓ 支持多种语言接口; ✗ 不支持自动求导。14.2.5 MatConvNetMatConvNet 由英国牛津大学著名计算机视觉和机器学习研究组 VGG 负责开发，是主要基于 MATLAB 的深度学习工具包。其优缺点为: ✓ 基于 MATLAB，便于进行图像处理和深度特征后处理; ✓ 提供了丰富的预训练模型;✓ 提供了充足的文档及教程;
✗ 不支持自动求导; ✗ 跨平台能力差。
14.2.6 TensorFlowTensorFlow 是 Google 负责开发的用 Python API 编写，通过 C/C++ 引擎加速的深度学习框架，是目前受关注最多的深度学习框架。它使用数据流图集成 深度学习中最常见的单元，并支持许多最新的 CNN 网络结构以及不同设置的 RNN。其优缺点为:✓ 具备不局限于深度学习的多种用途，还有支持强化学习和其他算法的工具;✓ 跨平台运行能力强;✓ 支持自动求导;✗ 运行明显比其他框架慢;✗ 不提供商业支持。14.2.7 TheanoTheano 是深度学习框架中的元老，用 Python 编写，可与其他学习库配合使用，非常适合学术研究中的模型开发。现在已有大量基于 Theano 的开源深度学习库，包括 Keras、Lasagne 和 Blocks。这些学习库试着在 Theano 有时不够直观的接口之上添加一层便于使用的 API。关于 Theano，有如下特点: ✓ 支持 Python 和 Numpy;✓ 支持自动求导;✓ RNN 与计算图匹配良好;✓ 高级的包装(Keras、Lasagne)可减少使用时的麻烦;
✗ 编译困难，错误信息可能没有帮助;✗ 运行模型前需编译计算图，大型模型的编译时间较长; ✗ 仅支持单机单卡;✗ 对预训练模型的支持不够完善。
14.2.8 TorchTorch 是用 Lua 编写带 API 的科学计算框架，支持机器学习算法。Facebook 和 Twitter 等大型科技公司使用 Torch 的某些版本，由内部团队专门负责定制自己的深度学习平台。其优缺点如下:✓ 大量模块化组件，容易组合;✓ 易编写新的网络层;✓ 支持丰富的预训练模型;✓ PyTorch 为 Torch 提供了更便利的接口;✗ 使用 Lua 语言需要学习成本;✗ 文档质量参差不齐;✗ 一般需要自己编写训练代码(即插即用相对较少)。
本文节选自电子工业出版社博文视点《解析深度学习——卷积神经网络原理与视觉实践》第14章，由作者本人和电子工业出版社博文视点授权。由于篇幅考虑，通过文后二维码访问各大网上商城购买。
本次活动我们采取文章留言送书的活动。在下周末之前，留言点赞数最高的前 3 名我们将免费赠送本书！图书由电子工业出版社博文视点提供。
《解析深度学习》全书内容概览
参考阅读：
技术原创及架构实践文章，欢迎通过公众号菜单「联系我们」进行投稿。转载请注明来自高可用架构「ArchNotes」微信公众号及包含以下二维码。
高可用架构
改变互联网的构建方式
长按二维码 关注「高可用架构」公众号
