深度学习框架的比较（MXNet, Caffe, TensorFlow, Torch, Theano)

from：http://blog.csdn.net/myarrow/article/details/52064608

1. 基本概念

1.1 MXNet相关概念

    深度学习目标：如何方便的表述神经网络，以及如何快速训练得到模型

    CNN(卷积层)：表达空间相关性(学表示)

    RNN/LSTM：表达时间连续性(建模时序信号)
    命令式编程(imperative programming)：嵌入的较浅，其中每个语句都按原来的意思执行，如numpy和Torch就是属于这种

    声明式语言(declarative programing)：嵌入的很深，提供一整套针对具体应用的迷你语言。即用户只需要声明要做什么，而具体执行则由系统完成。这类系统包括Caffe，Theano和TensorFlow。命令式编程显然更容易懂一些，更直观一些，但是声明式的更利于做优化，以及更利于做自动求导，所以都保留。  

	浅嵌入，命令式编程	深嵌入，声明式编程
如何执行a=b+1	需要b已经被赋值。立即执行加法，将结果保存在a中。	返回对应的计算图(computation graph)，我们可以之后对b进行赋值，然后再执行加法运算
优点	语义上容易理解，灵活，可以精确控制行为。通常可以无缝的和主语言交互，方便的利用主语言的各类算法，工具包，bug和性能调试器。	在真正开始计算的时候已经拿到了整个计算图，所以我们可以做一系列优化来提升性能。实现辅助函数也容易，例如对任何计算图都提供forward和backward函数，对计算图进行可视化，将图保存到硬盘和从硬盘读取。
缺点	实现统一的辅助函数和提供整体优化都很困难。	很多主语言的特性都用不上。某些在主语言中实现简单，但在这里却经常麻烦，例如if-else语句 。debug也不容易，例如监视一个复杂的计算图中的某个节点的中间结果并不简单。

    目前现有的系统大部分都采用上两种编程模式的一种。与它们不同的是，MXNet尝试将两种模式无缝的结合起来。在命令式编程上MXNet提供张量运算，而声明式编程中MXNet支持符号表达式。用户可以自由的混合它们来快速实现自己的想法。例如我们可以用声明式编程来描述神经网络，并利用系统提供的自动求导来训练模型。另一方便，模型的迭代训练和更新模型法则中可能涉及大量的控制逻辑，因此我们可以用命令式编程来实现。同时我们用它来进行方便的调式和与主语言交互数据。

1.2 深度学习的关键特点

      （1）层级抽象

      （2）端到端学习

2. 比较表

比较项	Caffe	Torch	Theano	TensorFlow	MXNet
主语言	C++/cuda	C++/Lua/cuda	Python/c++/cuda	C++/cuda	C++/cuda
从语言	Python/Matlab	-	-	Python	Python/R/Julia/Go
硬件	CPU/GPU	CPU/GPU/FPGA	CPU/GPU	CPU/GPU/Mobile	CPU/GPU/Mobile
分布式	N	N	N	Y(未开源)	Y
速度	快	快	中等	中等	快
灵活性	一般	好	好	好	好
文档	全面	全面	中等	中等	全面
适合模型	CNN	CNN/RNN	CNN/RNN	CNN/RNN	CNN/RNN?
操作系统	所有系统	Linux, OSX	所有系统	Linux, OSX	所有系统
命令式	N	Y	N	N	Y
声明式	Y	N	Y	Y	Y
接口	protobuf	Lua	Python	C++/Python	Python/R/Julia/Go
网络结构	分层方法	分层方法	符号张量图	符号张量图	?

注：1）使用符号张量图描述模型，增加新的层更加方便；而分层方法增加新的层需要自己实现（forward，backward和gradient更新函数）。

3.详细描述

3.1 MXNet

   MXNet的系统架构如下图所示：

 

    从上到下分别为各种主语言的嵌入，编程接口（矩阵运算，符号表达式，分布式通讯），两种编程模式的统一系统实现，以及各硬件的支持。

    MXNet的设计细节包括：符号执行和自动求导；运行依赖引擎；内存节省。

3.2 Caffe    

    优点：

    1）第一个主流的工业级深度学习工具。
    2）它开始于2013年底,由UC Berkely的Yangqing Jia老师编写和维护的具有出色的卷积神经网络实现。在计算机视觉领域Caffe依然是最流行的工具包。

    3）专精于图像处理

    缺点：    

    1）它有很多扩展，但是由于一些遗留的架构问题，不够灵活且对递归网络和语言建模的支持很差。

    2）基于层的网络结构，其扩展性不好，对于新增加的层，需要自己实现（forward, backward and gradient update）

3.3 TensorFlow

   优点：

   1） Google开源的其第二代深度学习技术——被使用在Google搜索、图像识别以及邮箱的深度学习框架。

   2）是一个理想的RNN（递归神经网络）API和实现，TensorFlow使用了向量运算的符号图方法，使得新网络的指定变得相当容易，支持快速开发。

   3）TF支持使用ARM/NEON指令实现model decoding

   4）TensorBoard是一个非常好用的网络结构可视化工具，对于分析训练网络非常有用

   5）编译过程比Theano快，它简单地把符号张量操作映射到已经编译好的函数调用

   缺点：

   1） 缺点是速度慢，内存占用较大。（比如相对于Torch）

   2）支持的层没有Torch和Theano丰富，特别是没有时间序列的卷积，且卷积也不支持动态输入尺寸，这些功能在NLP中非常有用。

    

   

3.4 Torch

    优点：    

    1）Facebook力推的深度学习框架，主要开发语言是C和Lua

    2）有较好的灵活性和速度
    3）它实现并且优化了基本的计算单元，使用者可以很简单地在此基础上实现自己的算法，不用浪费精力在计算优化上面。核心的计算单元使用C或者cuda做了很好的优化。在此基础之上，使用lua构建了常见的模型

    4）速度最快，见convnet-benchmarks

    5）支持全面的卷积操作：

          - 时间卷积：输入长度可变，而TF和Theano都不支持，对NLP非常有用；

          - 3D卷积：Theano支持，TF不支持，对视频识别很有用
    缺点

    1）是接口为lua语言，需要一点时间来学习。

    2）没有Python接口

    3）与Caffe一样，基于层的网络结构，其扩展性不好，对于新增加的层，需要自己实现（forward, backward and gradient update）

    4）RNN没有官方支持

3.5 Theano

    优点：

    1）2008年诞生于蒙特利尔理工学院，主要开发语言是Python

    2）Theano派生出了大量深度学习Python软件包，最著名的包括Blocks和Keras

    3）Theano的最大特点是非常的灵活，适合做学术研究的实验，且对递归网络和语言建模有较好的支持

    4）是第一个使用符号张量图描述模型的架构

    5）支持更多的平台

    6）在其上有可用的高级工具：Blocks, Keras等

    缺点：

   1）编译过程慢，但同样采用符号张量图的TF无此问题

   2）import theano也很慢，它导入时有很多事要做

   3）作为开发者，很难进行改进，因为code base是Python，而C/CUDA代码被打包在Python字符串中

参考资料：

1）MXNet设计和实现简介

2）Evaluation of Deep Learning Toolkits

3）TensorFlow vs. Theano vs. Torch comparison