Keras vs PyTorch vs Caffe：CNN实现对比

作者|PRUDHVI VARMA 编译|VK 来源|Analytics Indiamag

在当今世界，人工智能已被大多数商业运作所应用，而且由于先进的深度学习框架，它非常容易部署。这些深度学习框架提供了高级编程接口，帮助我们设计深度学习模型。使用深度学习框架，它通过提供内置的库函数来减少开发人员的工作，从而使我们能够更快更容易地构建模型。

在本文中，我们将构建相同的深度学习框架，即在Keras、PyTorch和Caffe中对同一数据集进行卷积神经网络图像分类，并对所有这些方法的实现进行比较。最后，我们将看到PyTorch构建的CNN模型如何优于内置Keras和Caffe的同行。

本文涉及的主题

• 如何选择深度学习框架。

• Keras的优缺点

• PyTorch的优缺点

• Caffe的优缺点

• 在Keras、PyTorch和Caffe实现CNN模型。

选择深度学习框架

在选择深度学习框架时，有一些指标可以找到最好的框架，它应该提供并行计算、良好的运行模型的接口、大量内置的包，它应该优化性能，同时也要考虑我们的业务问题和灵活性，这些是我们在选择深度学习框架之前要考虑的基本问题。让我们比较三个最常用的深度学习框架Keras、Pytorch和Caffe。

Keras

Keras是一个开源框架，由Google工程师Francois Chollet开发，它是一个深度学习框架，我们只需编写几行代码，就可以轻松地使用和评估我们的模型。

如果你不熟悉深度学习，Keras是初学者最好的入门框架，Keras对初学者十分友好，并且易于与python一起工作，并且它有许多预训练模型（VGG、Inception等）。不仅易于学习，而且它支持Tensorflow作为后端。

使用Keras的局限性

• Keras需要改进一些特性

• 我们需要牺牲速度来换取它的用户友好性

• 有时甚至使用gpu也需要很长时间。

使用Keras框架的实际实现

在下面的代码片段中，我们将导入所需的库。

import keras
from keras.datasets import mnist
from keras.models import Sequential
from keras.layers import Dense, Dropout, Flatten
from keras.layers import Conv2D, MaxPooling2D
from keras import backend as K

超参数：

batch_size = 128
num_classes = 10
epochs = 12
img_rows, img_cols = 28, 28
(x_train, y_train), (x_test, y_test) = mnist.load_data()

在下面的代码片段中，我们将构建一个深度学习模型，其中包含几个层，并分配优化器、激活函数和损失函数。

model = Sequential()
model.add(Conv2D(32, kernel_size=(3, 3),
                 activation='relu',
                 input_shape=input_shape))
model.add(Conv2D(64, (3, 3), activation='relu'))
mode