深度学习平台总结

PyTorch

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。

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。

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

Keras

如果你习惯使用python，那么可以立即上手到Keras。这是一个非常适合你的深度学习之旅的完美的框架。

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：

1. 序列化
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：
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’))
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：
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)

PaddlePaddle

PaddlePaddle是百度提供的开源深度学习框架，致力于为开发者和企业提供最好的深度学习研发体验，框架本身具有易学、易用、安全、高效四大特性，是最适合中国开发者和企业的深度学习工具。

• 网址:http://www.paddlepaddle.org/zh

功能特点

•教程文档友好，提供jupyter文档

开源

•开源，代码在github上公开
• 社区活跃，合作伙伴支持，有很多的贡献者

速度快、方便

• 底层C++编写，运行速度快，占用内存少
• 接口Python，使用方便，开发便捷

分布式系统

• 底层硬件同时支持CPU和GPU
• 分布式系统，支持单机运行和云上运行

部署方便

• 支持docker部署和原生包部署
• 支持多操作系统windows、 macOS、 Linux

优势

提供搭建私有云的全套解决方案

• 帮助用户保护数据
• 充分支持分布式系统
• 模型并行和数据并行

灵活易用且性能高

• 支持多种机器学习和优化算法，可定 制
• 全面支持多机、多GPU环境，优化的 通信实现使高吞吐与高性能成为可能

MindSpore

教育部**-**华为“智能基座” 产教融合协同育人基地

MindSpore(AI框架):全场景AI框架(类似TensorFlow、Pytorch)

• https://www.mindspore.cn/
• MindSpore提供了Python编程范式
• MindSpore提供了动态图和静态图统一的编码方式
• 能够用串行算法代码，自动实现分布式并行训练
• 具备训练过程静态执行和动态调试能力，开发者通过变更一行代码 即可切换模式，快速在线定位问题
• 最佳匹配昇腾处理器，最大程度地发挥硬件能力，帮助开发者缩短 训练时间，提升推理性能
• 支持云、边缘和手机上的快速部署，实现更好的资源利用和隐私保 护