「决战紫禁之巅」之深度学习框架篇：Keras VS PyTorch

TensorFlow 是许多科学家、工程师和开拓职员的首个深度进修框架。固然 TensorFlow 1.0 早在 2017 年 2 月就宣布了，但行使进程中对用户不太友爱。

已往几年里，Keras 和 PyTorch 日益成为广受用户接待的两种深度进修库，由于它们行使起来比 TensorFlow 简朴多了。

本文将别离对 Keras 和 PyTorch 的四个方面举办较量，你可以按照两种框架的是非势以及自身的必要选择个中一种。

一、Keras 和 PyTorch 简介

Keras 于 2015 年 3 月初次宣布，是可以或许在 TensorFlow、CNTK、Theano 或 MXNet 上运行的高级 API(或作为 TensorFlow 内的 tf.contrib)。Keras 的突出特点在于其易用性，它是迄今为止最轻易上手且可以或许快速运行的框架。另外，Keras 可以或许直观地界说神经收集，函数式 API 的行使令用户可以将层界说为函数。

PyTorch 于 2016 年 10 月宣布，由 Facebook AI 研究团队开拓，是专注于直接处理赏罚数组表达式的较初级别 API。与 Keras 对比，你可以或许拥有更强的机动度以及对 PyTorch 的节制，同时又不必要举办太多的声明式编程(declarative programming)。

二、选择 Keras 照旧 PyTorch?

偶然，深度进修从颐魅者会纠结于应该行使哪一种框架，这凡是取决于小我私纪猱好。下面将先容 Keras 和 PyTorch 的几个方面比拟，你可据此做出本身的选择。

1. 界说模子的类 vs 函数

Keras 在界说深度进修模子时提供函数式 API。通过函数式 API，神经收集被界说为一组序列函数，然后一个接一个地获得应用。譬喻，函数界说层 1 的输出是函数界说层 2 的输入。

在行使 PyTorch 时，用户将神经收集配置为一个扩展了 Torch 库中 torch.nn. 模块的类。与 Keras 相同，PyTorch 为用户提供作为组件的层，但因为这些层属于 Python 类，以是它们是类__init__() 要领中的引用，并通过类的 forward() 要领执行。

对比而言，PyTorch 可以或许令你会见 Python 的全部种别特性，而不可是简朴的函数挪用。界说收集变得越发清楚，并且优雅。但假如你以为以最快的速率编写收集代码最为重要，则 Keras 对你来说越发易于行使。

2. 张量和计较图 vs 尺度阵列

对付一样平常措施员来说，Keras API 会潜匿大量的紊乱细节，界说收集层也很是直观。因而，你在默认配置下就足以入门。但当你想要实现一个很是先辈或「奇异的」模子时，才真正必要深入相识初级和本质的 TensorFlow。

但当你真正深入相识初级 TensorFlow 代码时，就会碰着一些挑衅。你必要确保全部矩阵乘法对齐。更不要想着将层输出打印出来了，由于你会在终端上打印出一个很好的张量界说(Tensor definition)。

相较于 Keras，PyTorch 在这些方面每每越发宽容。你只必要相识每个层的输入和输出巨细就可以了，而且 PyTorch 在这一点上做得很是好，你可以快速把握。你不必要构建抽象的计较图(其内部环境你在调试时无法看到)。

PyTorch 的另一个利益在于其滑腻性(smoothness)，你可以在 Torch 张量和 Numpy 矩阵之间往返切换。但假如开拓者必要实现一些自界说内容，则 TF 张量和 Numpy 矩阵之间的切换也许会很贫困，这要求他们对 TensorFlow 有一个透彻相识。

现实上，PyTorch 的交互运算越发简朴，两步即可：将 Torch 张量(变量工具)转换成 Numpy，然后举办反向运算即可。

虽然，假如你不必要实现任何奇异的内容，则 Keras 也示意的很是好，由于你不会碰着任何 TensorFlow 障碍。但假如想要实现一些奇异的内容，则 PyTorch 也许会示意得越发滑腻。

3. 实习模子

开始实习

操作 Keras 实习模子超等简朴!只必要一个简朴的.fit()，你就可以开启模子实习之旅。

而操作 PyTorch 实习模子包括以下几个步调：

• 每一批次的实习开始时初始化梯度
• 在模子中运行前向撒播
• 运行后向撒播
• 计较丧失和更新权重

以是，就实习模子来说，PyTorch 较为繁琐。

4. 节制 CPU vs GPU 模式

我们必要更多算力。

假如你已经安装了 tensorflow-gpu，则在 Keras 中可以或许行使 GPU 而且会默认完成。然后，假如你想要将某些运算转移至 CPU，则可以以单行方法完成。

但对付 PyTorch 来说，你必需显式地为每个 torch 张量和 numpy 变量启动 GPU。这样代码会较量紊乱。而且假如你想在 CPU 和 GPU 之间往返移动以执行差异运算，则很轻易堕落。

（编辑：河北网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!