常见的7种深度学习框架对比

谁践踏了优雅 2022-12-23 07:18 336阅读 0赞

<table> 
 <thead> 
  <tr> 
   <th>框架</th> 
   <th align="left">简介</th> 
   <th align="left">优点</th> 
   <th align="left">缺点</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>Theano</td> 
   <td align="left"> 
    <div> 
     <br>2008年诞生于LISA实验室，其设计具有较浓厚的学术气息。 作为第一个Python深度学习框架，Theano很好的完成了自己的使命，为之后深度学习框架的开发奠定了基本设计方向： 
     <font>以计算图为框架的核心，采用GPU加速计算</font> 
    </div></td> 
   <td align="left"> 
    <div>
      (1) Python+NumPy的组合；(2) 使用计算图； 
     <br>(3) 学习门槛低 
    </div></td> 
   <td align="left"> 
    <div>
      (1) 比Torch臃肿； 
     <br>(2) 不支持分布式；(3) 大模型的编译时间有时要很久，调试困难； 
     <br>(4) 目前已停止开发 
    </div></td> 
  </tr> 
  <tr> 
   <td>TensorFlow</td> 
   <td align="left">2015年诞生于Google，可以看作是Theano的后继者。TensorFlow作为<font>当前最流行的深度学习框架</font>，它拥有一个全面而灵活的生态系统，其中包含各种工具、库和社区资源</td> 
   <td align="left">(1) 具有更好的计算图可视化效果；<br>(2) 可扩展性强，能部署在各种服务器和移动设备上；(3) 出色的社区支持；<br>(4) 性能优异</td> 
   <td align="left">(1) 过于复杂的系统设计，总代码量超过100万行，维护困难；<br>(2) 接口设计复杂，且频繁变动；(3) 图构造是静态的，必须先被‘编译’再运行</td> 
  </tr> 
  <tr> 
   <td>Keras</td> 
   <td align="left">2015年诞生于Google，是一个用Python编写的高级神经网络 API，它能够以 TensorFlow, CNTK,或者Theano作为后端运行。Keras的开发重点是<font>支持快速的实验</font></td> 
   <td align="left">(1) 简单容易上手；<br>(2) 提供规范丰富的文档；<br>(3) 基于Python实现，易调试易扩展；(4) 可使用theano和tensorflow两个backend</td> 
   <td align="left">(1) 缺少灵活性；(2) 运行速度慢</td> 
  </tr> 
  <tr> 
   <td>CaffeCaffe2</td> 
   <td align="left">Caffe 2014年诞生于伯克利，核心语言是C++，支持命令行、python和MATLAB接口，可在CPU和GPU上运行。 Caffe2诞生于2017年的Facebook，其沿袭了大量的Caffe设计，是一个<font>兼具表现力、速度和模块性的开源深度学习框架</font></td> 
   <td align="left">Caffe:<br>(1) 简洁快速，易用性强；(2) 可支持Matlab 和 Python 接口<br>Caffe2: <br> (1) 轻量级，扩展性好；(2) 性能优异；<br>(3) 几乎全平台支持</td> 
   <td align="left">Caffe: (1) 缺少灵活性；<br>(2) 在递归神经网络上表现不佳<br>Caffe2: <br> (1) 官方未提供完整的文档；(2) 安装复杂，编译过程常出现异常</td> 
  </tr> 
  <tr> 
   <td>MXNet</td> 
   <td align="left">MXNet是一个深度学习库，支持各种常见的语言，其借鉴了Caffe的思想，但实现更干净。2016年，MXNet被AWS正式选择为其云计算的官方深度学习平台</td> 
   <td align="left">(1) 支持灵活的动态图和高效的静态图，性能优异；(2) 扩展性好，分布式性能强大，可移植性强；(3) 支持多种语言和平台</td> 
   <td align="left">(1) 入门门槛高；(2) 文档不完善，更新慢；(3) 代码有一些小bug</td> 
  </tr> 
  <tr> 
   <td>CNTK</td> 
   <td align="left">2016年诞生于微软，根据开发者描述，CNTK的性能比主流工具都要强。<font>CNTK表现比较均衡，没有明显的短板</font></td> 
   <td align="left">(1) 性能出众；<br>(2) 在语音领域效果突出</td> 
   <td align="left">(1) 社区活跃度不高；(2) 文档比较难懂；<br>(3) 目前不支持ARM架构，限制了其在移动设备上的发挥</td> 
  </tr> 
  <tr> 
   <td>PyTorch</td> 
   <td align="left">2017年诞生于Facebook，PyTorch本质上是支持GPU的NumPy替代，配备了可用于构建和训练深度神经网络的更高级的功能。<font>PyTorch是当前难得的简洁优雅且高效快速的框架</font></td> 
   <td align="left">(1) 简洁，代码易于理解；(2) 速度快，优于TensorFlow和Keras等；(3) 灵活易用；(4) 社区活跃，文档完整</td> 
   <td align="left">(1) 不支持移动设备部署；(2) 无可视化接口和工具</td> 
  </tr> 
 </tbody> 
</table>

## 更多对比资料请参考： ##

*  [tensorflow和pytorch框架对比总结][tensorflow_pytorch]
 *  [主流深度学习框架对比][Link 1]
 *  [常见深度学习框架对比-《深度学习框架PyTorch:入门与实践》][-_PyTorch]
 *  [深度学习框架对比与选择][Link 2]

[tensorflow_pytorch]: https://blog.csdn.net/WJ_MeiMei/article/details/88724984
[Link 1]: https://blog.csdn.net/zuochao_2013/article/details/56024172
[-_PyTorch]: https://www.jianshu.com/p/cbba871100a6
[Link 2]: https://zhuanlan.zhihu.com/p/61576496