给新手的12大深度学习开源框架快速入门项目

来源：https://mp.weixin.qq.com/s?__biz=MzA3NDIyMjM1NA==&mid=2649032257&idx=1&sn=4b34be53841f6d4ecbec5056fb48880c&chksm=8712b83cb065312a6e0730d277ecd67ed96799d98ebd7675174cba733b7d18bb3f4e9e1721e2&scene=21#wechat_redirect

这是一篇总结文，给大家来捋清楚12大深度学习开源框架的快速入门，这是有三AI的GitHub项目，欢迎大家star/fork。

https://github.com/longpeng2008/yousan.ai

1 概述

1.1开源框架总览

如何选择最适合你的开源框架是一个问题。有三AI在前段时间里，给大家整理了12个深度学习开源框架快速入门的教程和代码。

在这里我们还有一些框架没有放上来，是因为它们已经升级为大家更喜欢或者使用起来更加简单的版本，比如从torch->pytorch，从theano到lasagne。另外这些框架都支持CUDA，因此编程语言这里也没有写上cuda。

现在已经有很多开源框架之间进行互转的开源工具如MMDNN等，也降低了大家迁移框架的学习成本。

总的来说对于选择什么样的框架，有三可以给出一些建议。

• (1) 不管怎么说，tensorflow/pytorch你都必须会，这是目前开发者最喜欢，开源项目最丰富的两个框架。
• (2) 如果你要进行移动端算法的开发，那么Caffe是不能不会的。
• (3) 如果你非常熟悉Matlab，matconvnet你不应该错过。
• (4) 如果你追求高效轻量，那么darknet和mxnet你不能不熟悉。
• (5) 如果你很懒，想写最少的代码完成任务，那么用keras吧。
• (6) 如果你是java程序员，那么掌握deeplearning4j没错的。

1.2 如何学习开源框架

要掌握好一个开源框架，通常需要做到以下几点：

• (1) 熟练掌握不同任务数据的准备和使用。
• (2) 熟练掌握模型的定义。
• (3) 熟练掌握训练过程和结果的可视化。
• (4) 熟练掌握训练方法和测试方法。

一个框架，官方都会开放有若干的案例，最常见的案例就是以MNISI数据接口+预训练模型的形式，供大家快速获得结果，但是这明显还不够，学习不应该停留在跑通官方的demo上，而是要解决实际的问题。

我们要学会从自定义数据读取接口，自定义网络的搭建，模型的训练，模型的可视化，模型的测试与部署等全方位进行掌握。

因此，我们开设了一个《2小时快速入门开源框架系列》，以一个图像分类任务为基准，带领大家一步一步入门，后续会增加分割，检测等任务。

这是一个二分类任务，给大家准备了500张微笑表情的图片、500张无表情的图片，放置在git工程的data目录下，图片预览如下，已经全部缩放到60*60的大小：

因此，我们的目标就是利用这500张图片完成好这个图像分类任务。

在下面的所有框架的学习过程中，我们都要完成下面这个流程，只有这样，才能叫做真正的完成了一个训练任务。

另外，所有的框架都使用同样的一个模型，这是一个3层卷积+2层全连接的网络，由卷积+BN层+激活层组成，有的使用带步长的卷积，有的使用池化，差别不大。

输入图像，48 * 48 * 3的RGB彩色图。
第一层卷积，通道数 12，卷积核 3 * 3。
第二层卷积，通道数 24，卷积核 3 * 3。
第三层卷积，通道数 48，卷积核 3 * 3。
第一层全连接，通道数 128。
第二层全连接，通道数 2，即类别数。

网络结构如下：

这是最简单的一种网络结构，优化的时候根据不同的框架，采用了略有不同的方案。因为此处的目标不是为了比较各个框架的性能，所以没有刻意保持完全一致。

2 开源框架

2.1 Caffe

2.2 Tensorflow

2.3 Pytorch