对比主流深度学习框架

对比主流深度学习框架

现在的主要的框架主要是呈以上的排名分部

一、有什么框架：

​ TensorFlow、Theano、Keras、Lasagne、Caffe、DSSTNE、Torch、MXNet、DL4J、Cognitive Toolkit主要是有以上这十种框架。

二、各个框架的不同点

1、TensorFlow

​ 是一个基于数据流编程（dataflow programming）的符号数学系统，被广泛应用于各类机器学习（machine learning）算法的编程实现，其前身是谷歌的神经网络算法库DistBelief。

​ TensorFlow是一个相对高阶的机器学习库，用户可以很方便快捷地使用TensorFlow进行设计神经网络接构，而不用再去亲自编写代码。同时它跟Theano一样支持自动求导用户不用再进行反向传播计算求解梯度（Python则会比较消耗资源，并且执行效率不高）。

​ 除了支持常见的网络结构[卷积神经网络（Convolutional Neural Network，CNN）、循环神经网络（Recurent Neural Network，RNN）]外，TensorFlow还支持深度强化学习乃至其他计算密集的科学计算（如偏微分方程求解等）。

2、Caffe

​ Caffe是纯粹的C++/CUDA架构，支持命令行、Python和MATLAB接口；可以在CPU和GPU直接无缝切换。

​ Caffe的优势：

​ 上手快：模型与相应优化都是以文本形式而非代码形式给出。Caffe给出了模型的定义、最优化设置以及预训练的权重，方便立即上手。

​ 速度快：能够运行最棒的模型与海量的数据。Caffe与cuDNN结合使用，测试AlexNet模型，在K40上处理每张图片只需要1.17ms.

​ 模块化：方便扩展到新的任务和设置上。可以使用Caffe提供的各层类型来定义自己的模型。

​ 开放性：公开的代码和参考模型用于再现。

​ 社区好：可以通过BSD-2参与开发与讨论。

3、Keras

​ Keras是一个用Python编写的高级神经网络API（Application Programming Interface,应用程序编程接口），它能够以TensorFlow、CNTK、Theano作为后端运行。如果需要以下需求可以使用Kears：

• 允许简单而快速的原型设计（由于用户友好，高度模块化，可扩展性）。
• 同时支持卷积神经网络和循环神经网络，以及两者的组合。
• 在 CPU 和 GPU 上无缝运行。

三、总结

​ 如果要进入这一领域，应该首先学习 Python。尽管这一领域还支持其它很多语言，但 Python 是应用范围最广而且最简单的一个。而且Python的开发速度相对其他语言来讲较快。

我的建议是，如果你是初学者，使用 Keras，如果不是初学者，也可以使用它。如果你参加过 Kaggle 比赛，你肯定注意到了 Kaggle 的两大巨星：Keras 和 XGBoost。