python神经网络编程 豆瓣,用python构建神经网络

python深度学习框架学哪个

Python深度学习生态系统在这几年中的演变实属惊艳。pylearn2，已经不再被积极地开发或者维护，大量的深度学习库开始接替它的位置。这些库每一个都各有千秋。

我们已经在indico的产品或者开发中使用了以下列表中的大部分的技术，但是对于剩下一些我们没有使用的，我将会借鉴他人的经验来帮助给出Python深度学习生态系统的清晰的、详尽的理解。

确切地说，我们将会关注：TheanoLasagneBlocksTensorFlowKerasMXNetPyTorch下面是对这7大Python深度学习框架的描述以及优缺点的介绍。

Theano描述：Theano是一个Python库，允许你定义、优化并且有效地评估涉及到多维数组的数学表达式。它与GPUs一起工作并且在符号微分方面表现优秀。

概述：Theano是数值计算的主力，它支持了许多我们列表当中的其他的深度学习框架。

Theano由FrédéricBastien创建，这是蒙特利尔大学机器学习研究所(MILA)背后的一个非常优秀的研究团队。

它的API水平较低，并且为了写出效率高的Theano，你需要对隐藏在其他框架幕后的算法相当的熟悉。

如果你有着丰富的学术机器学习知识，正在寻找你的模型的精细的控制方法，或者想要实现一个新奇的或者不同寻常的模型，Theano是你的首选库。总而言之，为了灵活性，Theano牺牲了易用性。

优点：灵活正确使用时的高性能缺点：较高的学习难度低水平的API编译复杂的符号图可能很慢Lasagne描述：在Theano上建立和训练神经网络的轻量级库概述：因为Theano致力于成为符号数学中最先且最好的库，Lasagne提供了在Theano顶部的抽象，这使得它更适合于深度学习。

它主要由当前DeepMind研究科学家SanderDieleman编写并维护。

Lasagne并非是根据符号变量之间的函数关系来指定网络模型，而是允许用户在层级思考，为用户提供了例如「Conv2DLayer」和「DropoutLayer」的构建块。

Lasagne在牺牲了很少的灵活性的同时，提供了丰富的公共组件来帮助图层定义、图层初始化、模型正则化、模型监控和模型训练。

优点：仍旧非常灵活比Theano更高级的抽象文档和代码中包含了各种PastaPuns缺点：社区小Blocks描述：用于构建和训练神经网络的Theano框架概述：与Lasagne类似，Blocks是在Theano顶部添加一个抽象层使深度学习模型比编写原始的Theano更清晰、更简单、定义更加标准化。

它是由蒙特利尔大学机器学习研究所(MILA)编写，其中一些人为搭建Theano和第一个神经网络定义的高级接口(已经淘汰的PyLearn2)贡献了自己的一份力量。

比起Lasagne，Blocks灵活一点，代价是入门台阶较高，想要高效的使用它有不小的难度。

除此之外，Blocks对递归神经网络架构(recurrentneuralnetworkarchitectures)有很好的支持，所以如果你有兴趣探索这种类型的模型，它值得一看。

除了TensorFlow，对于许多我们已经部署在indico产品中的API，Blocks是其首选库。

优点：仍旧非常灵活比Theano更高级的抽象易于测试缺点：较高的学习难度更小的社区TensorFlow描述：用于数值计算的使用数据流图的开源软件库概述：TensorFlow是较低级别的符号库(比如Theano)和较高级别的网络规范库(比如Blocks和Lasagne)的混合。

即使它是Python深度学习库集合的最新成员，在GoogleBrain团队支持下，它可能已经是最大的活跃社区了。

它支持在多GPUs上运行深度学习模型，为高效的数据流水线提供使用程序，并具有用于模型的检查，可视化和序列化的内置模块。

最近，TensorFlow团队决定支持Keras(我们列表中下一个深度学习库)。

虽然TensorFlow有着自己的缺点，但是社区似乎同意这一决定，社区的庞大规模和项目背后巨大的动力意味着学习TensorFlow是一次安全的赌注。

因此，TensorFlow是我们今天在indico选择的深度学习库。

优点：由软件巨头Google支持非常大的社区低级和高级接口网络训练比基于Theano配置更快的模型编译完全地多GPU支持缺点：虽然Tensorflow正在追赶，但是最初在许多基准上比基于Theano的慢。

RNN支持仍不如TheanoKeras描述：Python的深度学习库。支持Convnets、递归神经网络等。在Theano或者TensorFlow上运行。

概述：Keras也许是水平最高，对用户最友好的库了。由FrancisChollet(GoogleBrain团队中的另一个成员)编写和维护。

它允许用户选择其所构建的模型是在Theano上或是在TensorFlow上的符号图上执行。

Keras的用户界面受启发于Torch，所以如果你以前有过使用Lua语言的机器学习经验，Keras绝对值得一看。由于部分非常优秀的文档和其相对易用性，Keras的社区非常大并且非常活跃。

最近，TensorFlow团队宣布计划与Keras一起支持内置，所以很快Keras将是TensorFlow项目