Keras vs PyTorch

Keras vs PyTorch：debug 和内省

Keras 封装了大量计算模块，这使得确定导致问题的代码较为困难。

相比起来，PyTorch 更加详细，我们可以逐行执行脚本。和 debug NumPy 类似，我们可以轻松访问代码中的所有对象，使用 print 语句（或任何标准 Python debug 语句）查看有问题的代码。

Keras 用户创建的标准网络要比 PyTorch 用户创建的标准网络出错的机率小一个数量级。但是一旦出错，则损害巨大，且通常很难定位出错的代码行。PyTorch 提供更直接了当的 debug 经验，而无需关注模型复杂度。此外，当你怀疑哪里出错时，你可以查找 PyTorch repo 查看可读代码。

结论

• PyTorch：debug 能力更强

• Keras：debug 简单网络的需求的（潜在）频率更低

Keras vs PyTorch：导出模型和跨平台可移植性

在生产环境中，导出和部署自己训练的模型时有哪些选择？

PyTorch 将模型保存在 Pickles 中，Pickles 基于 Python，且不可移植，而 Keras 利用 JSON + H5 文件格式这种更安全的方法（尽管在 Keras 中保存自定义层通常更困难）。另一方面，Keras 也有 R 语言接口，如果你合作的数据分析师团队使用 R 语言，那么你会用得上它。

Keras 是在 TensorFlow 上运行的，这意味着它可以通过 TensorFlow for Mobile 和 TensorFlow Lite 享有更多选择来部署到移动平台。你编写的 web 应用也可以通过 TensorFlow.js 或 Keras.js 部署到网页上。例如，你可以看看这个深度学习驱动的浏览器插件，它可以检测密集恐惧症触发因素：https://github.com/cytadela8/trypophobia。

导出 PyTorch 模型的过程由于其 Python 代码的限制而更加费力，目前人们广泛采用的方法是首先使用 ONNX 将 PyTorch 模型转换为 Caffe2 形式。

结论

• Keras 获胜：它有更多的部署选项（直接通过 TensorFlow 后端），模型导出也更简单。

Keras vs PyTorch：性能篇

Donald Knuth 有一句名言：不成熟的优化是编程中所有邪恶（至少大部分）的根源。

在大多数情况下，基准测试中的速度差异不应该成为框架选择的主要标准——特别是在学习阶段。GPU 时间比其数据科学家的时间显然便宜得多。而且，在学习过程中，性能瓶颈大多是由失败的实现、未优化的网络和数据加载造成的，而不是框架本身的运行速度。当然，为了完整地进行比较，我们还是要介绍这一方面。在这里我们推荐两个性能对比结果：

• Wojtek Rosiński 的《TensorFlow, Keras and PyTorch Comparison》：https://wrosinski.github.io/deep-learning-frameworks/

• 微软的《Comparing Deep Learning Frameworks: A Rosetta Stone Approach》：https://github.com/ilkarman/DeepLearningFrameworks/

PyTorch 和 TensorFlow 一样快，在循环神经网络上或许更快，相比之下，Keras 通常速度较慢。正如第一篇文章的作者指出的那样：大多数情况下，高性能框架（即 PyTorch 和 TensorFlow）的计算效率优势不敌快速开发环境以及 Keras 提供的实验易用性。

结论

• 就训练速度而言，PyTorch 胜过 Keras

Keras vs PyTorch：对比总结

Keras 和 PyTorch 都是深度学习框架初学者非常棒的选择。如果你是数学家、研究员或者想要理解模型的本质，那么可以考虑选择 PyTorch。在需要更先进的定制化和 debug 时（例如用 YOLOv3 做目标检测或者带有注意力的 LSTM)，或者当我们需要优化数组表达式而不是神经网络时（例如矩阵分解或者 word2vec 算法），PyTorch 真的很棒。

如果你想要一个即插即用的框架，Keras 无疑是更简单的选择：快速构建、训练、评估模型，不需要在数学实现上花费太多的时间。

深度学习的核心概念知识是可转移的。一旦你掌握了一个环境中的基础知识，你就能学以致用，掌握新的深度学习库。

我们鼓励你在 Keras 和 PyTorch 中都尝试下简单的深度学习模型。