摘要：作為當(dāng)下最熱門的話題，等巨頭都圍繞深度學(xué)習(xí)重點(diǎn)投資了一系列新興項(xiàng)目，他們也一直在支持一些開源深度學(xué)習(xí)框架。八來(lái)自一個(gè)日本的深度學(xué)習(xí)創(chuàng)業(yè)公司，今年月發(fā)布的一個(gè)框架。

深度學(xué)習(xí)(Deep Learning)是機(jī)器學(xué)習(xí)中一種基于對(duì)數(shù)據(jù)進(jìn)行表征學(xué)習(xí)的方法，深度學(xué)習(xí)的好處是用 非 監(jiān)督式或半監(jiān)督式 的特征學(xué)習(xí)、分層特征提取高效算法來(lái)替代手工獲取特征(feature)。作為當(dāng)下最熱門的話題，Google、Facebook、Microsoft等巨頭都圍繞深度學(xué)習(xí)重點(diǎn)投資了一系列新興項(xiàng)目，他們也一直在支持一些開源深度學(xué)習(xí)框架。

目前研究人員正在使用的深度學(xué)習(xí)框架不盡相同，有 TensorFlow、Torch 、Caffe、Theano、Deeplearning4j等，這些深度學(xué)習(xí)框架被應(yīng)用于 計(jì)算機(jī)視覺(jué) 、 語(yǔ)音識(shí)別、 自然語(yǔ)言處理 與 生物信息學(xué) 等領(lǐng)域，并獲取了極好的效果。

下面讓我們一起來(lái)認(rèn)識(shí)目前深度學(xué)習(xí)中最常使用的八大開源框架：

一.TensorFlow

TensorFlow是一款開源的數(shù)學(xué)計(jì)算軟件，使用數(shù)據(jù)流圖(Data Flow Graph)的形式進(jìn)行計(jì)算。圖中的節(jié)點(diǎn)代表數(shù)學(xué)運(yùn)算，而圖中的線條表示多維數(shù)據(jù)數(shù)組(tensor)之間的交互。TensorFlow靈活的架構(gòu)可以部署在一個(gè)或多個(gè)CPU、GPU的臺(tái)式以及服務(wù)器中，或者使用單一的API應(yīng)用在移動(dòng)設(shè)備中。TensorFlow最初是由研究人員和Google Brain團(tuán)隊(duì)針對(duì)機(jī)器學(xué)習(xí)和深度神經(jīng)網(wǎng)絡(luò)進(jìn)行研究所開發(fā)的，目前開源之后可以在幾乎各種領(lǐng)域適用。

Data Flow Graph: 使用有向圖的節(jié)點(diǎn)和邊共同描述數(shù)學(xué)計(jì)算。graph中的nodes代表數(shù)學(xué)操作，也可以表示數(shù)據(jù)輸入輸出的端點(diǎn)。邊表示節(jié)點(diǎn)之間的關(guān)系，傳遞操作之間互相使用的多位數(shù)組(tensors)，tensor在graph中流動(dòng)——這也就是TensorFlow名字的由來(lái)。一旦節(jié)點(diǎn)相連的邊傳來(lái)了數(shù)據(jù)流，節(jié)點(diǎn)就被分配到計(jì)算設(shè)備上異步的(節(jié)點(diǎn)間)、并行的(節(jié)點(diǎn)內(nèi))執(zhí)行。

TensorFlow的特點(diǎn)：

機(jī)動(dòng)性: TensorFlow并不只是一個(gè)規(guī)則的neural network庫(kù)，事實(shí)上如果你可以將你的計(jì)算表示成data flow graph的形式，就可以使用TensorFlow。用戶構(gòu)建graph，寫內(nèi)層循環(huán)代碼驅(qū)動(dòng)計(jì)算，TensorFlow可以幫助裝配子圖。定義新的操作只需要寫一個(gè)Python函數(shù)，如果缺少底層的數(shù)據(jù)操作，需要寫一些C++代碼定義操作。

可適性強(qiáng): 可以應(yīng)用在不同設(shè)備上，cpus，gpu，移動(dòng)設(shè)備，云平臺(tái)等

自動(dòng)差分: TensorFlow的自動(dòng)差分能力對(duì)很多基于Graph的機(jī)器學(xué)習(xí)算法有益

多種編程語(yǔ)言可選: TensorFlow很容易使用，有python接口和C++接口。其他語(yǔ)言可以使用SWIG工具使用接口。(SWIG—Simplified Wrapper and Interface Generator， 是一個(gè)非常優(yōu)秀的開源工具，支持將 C/C++ 代碼與任何主流腳本語(yǔ)言相集成。)

最優(yōu)化表現(xiàn): 充分利用硬件資源，TensorFlow可以將graph的不同計(jì)算單元分配到不同設(shè)備執(zhí)行，使用TensorFlow處理副本。

二.Torch

Torch是一個(gè)有大量機(jī)器學(xué)習(xí)算法支持的科學(xué)計(jì)算框架，其誕生已經(jīng)有十年之久，但是真正起勢(shì)得益于Facebook開源了大量Torch的深度學(xué)習(xí)模塊和擴(kuò)展。Torch另外一個(gè)特殊之處是采用了編程語(yǔ)言Lua(該語(yǔ)言曾被用來(lái)開發(fā)視頻游戲)。

Torch的優(yōu)勢(shì)：

構(gòu)建模型簡(jiǎn)單

高度模塊化

快速高效的GPU支持

通過(guò)LuaJIT接入C

數(shù)值優(yōu)化程序等

可嵌入到iOS、Android和FPGA后端的接口

三.Caffe

Caffe由加州大學(xué)伯克利的PHD賈揚(yáng)清開發(fā)，全稱Convolutional Architecture for Fast Feature Embedding，是一個(gè)清晰而高效的開源深度學(xué)習(xí)框架，目前由伯克利視覺(jué)學(xué)中心(Berkeley Vision and Learning Center，BVLC)進(jìn)行維護(hù)。(賈揚(yáng)清曾就職于MSRA、NEC、Google Brain，他也是TensorFlow的作者之一，目前任職于Facebook FAIR實(shí)驗(yàn)室。)

Caffe基本流程：Caffe遵循了神經(jīng)網(wǎng)絡(luò)的一個(gè)簡(jiǎn)單假設(shè)——所有的計(jì)算都是以layer的形式表示的，layer做的事情就是獲得一些數(shù)據(jù)，然后輸出一些計(jì)算以后的結(jié)果。比如說(shuō)卷積——就是輸入一個(gè)圖像，然后和這一層的參數(shù)(filter)做卷積，然后輸出卷積的結(jié)果。每一個(gè)層級(jí) (layer)需要做兩個(gè)計(jì)算：前向forward是從輸入計(jì)算輸出，然后反向backward是從上面給的gradient來(lái)計(jì)算相對(duì)于輸入的 gradient，只要這兩個(gè)函數(shù)實(shí)現(xiàn)了以后，我們就可以把很多層連接成一個(gè)網(wǎng)絡(luò)，這個(gè)網(wǎng)絡(luò)做的事情就是輸入我們的數(shù)據(jù)(圖像或者語(yǔ)音等)，然后來(lái)計(jì)算我們需要的輸出(比如說(shuō)識(shí)別的標(biāo)簽)，在訓(xùn)練的時(shí)候，我們可以根據(jù)已有的標(biāo)簽來(lái)計(jì)算損失和gradient，然后用gradient來(lái)更新網(wǎng)絡(luò)的參數(shù)。

Caffe的優(yōu)勢(shì)：

上手快：模型與相應(yīng)優(yōu)化都是以文本形式而非代碼形式給出

速度快：能夠運(yùn)行最棒的模型與海量的數(shù)據(jù)

模塊化：方便擴(kuò)展到新的任務(wù)和設(shè)置上

開放性：公開的代碼和參考模型用于再現(xiàn)

社區(qū)好：可以通過(guò)BSD-2參與開發(fā)與討論

四.Theano

2008年誕生于蒙特利爾理工學(xué)院,Theano派生出了大量深度學(xué)習(xí)Python軟件包，最著名的包括Blocks和Keras。 Theano的核心是一個(gè)數(shù)學(xué)表達(dá)式的編譯器，它知道如何獲取你的結(jié)構(gòu)。并使之成為一個(gè)使用numpy、高效本地庫(kù)的高效代碼，如BLAS和本地代碼 (C++)在CPU或GPU上盡可能快地運(yùn)行。它是為深度學(xué)習(xí)中處理大型神經(jīng)網(wǎng)絡(luò)算法所需的計(jì)算而專門設(shè)計(jì)的，是這類庫(kù)的首創(chuàng)之一(發(fā)展始于2007 年)，被認(rèn)為是深度學(xué)習(xí)研究和開發(fā)的行業(yè)標(biāo)準(zhǔn)。

Theano的優(yōu)勢(shì)：

集成NumPy-使用numpy.ndarray

使用GPU加速計(jì)算-比CPU快140倍(只針對(duì)32位float類型)

有效的符號(hào)微分-計(jì)算一元或多元函數(shù)的導(dǎo)數(shù)

速度和穩(wěn)定性優(yōu)化-比如能計(jì)算很小的x的函數(shù)log(1+x)的值

動(dòng)態(tài)地生成C代碼-更快地進(jìn)行計(jì)算

廣泛地單元測(cè)試和自我驗(yàn)證-檢測(cè)和診斷多種錯(cuò)誤

靈活性好

五.Deeplearning4j

顧名思義，Deeplearning4j是“for Java”的深度學(xué)習(xí)框架，也是較早的商用級(jí)別的深度學(xué)習(xí)開源庫(kù)。Deeplearning4j由創(chuàng)業(yè)公司Skymind于2014年6月發(fā)布，使用 Deeplearning4j的不乏埃森哲、雪弗蘭、博斯咨詢和IBM等明星企業(yè)。 DeepLearning4j是一個(gè)面向生產(chǎn)環(huán)境和商業(yè)應(yīng)用的高成熟度深度學(xué)習(xí)開源庫(kù)，可與Hadoop和Spark集成，即插即用，方便開發(fā)者在APP 中快速集成深度學(xué)習(xí)功能，可應(yīng)用于以下深度學(xué)習(xí)領(lǐng)域：

人臉/圖像識(shí)別

語(yǔ)音搜索

語(yǔ)音轉(zhuǎn)文字(Speech to text)

垃圾信息過(guò)濾(異常偵測(cè))

電商欺詐偵測(cè)

除了以上幾個(gè)比較成熟知名的項(xiàng)目，還有很多有特色的深度學(xué)習(xí)開源框架也值得關(guān)注：

六.ConvNetJS

這是斯坦福大學(xué)博士生Andrej KarPathy開發(fā)的瀏覽器插件，基于萬(wàn)能的JavaScript可以在你的游覽器中訓(xùn)練深度神經(jīng)模型。 不需要安裝軟件，也不需要GPU。

七.MXNet

出自CXXNet、Minerva、Purine 等項(xiàng)目的開發(fā)者之手，主要用C++ 編寫。MXNet 強(qiáng)調(diào)提高內(nèi)存使用的效率，甚至能在智能手機(jī)上運(yùn)行諸如圖像識(shí)別等任務(wù)。

MXNet的系統(tǒng)架構(gòu)如下圖所示：

從上到下分別為各種主語(yǔ)言的嵌入，編程接口(矩陣運(yùn)算，符號(hào)表達(dá)式，分布式通訊)，兩種編程模式的統(tǒng)一系統(tǒng)實(shí)現(xiàn)，以及各硬件的支持。

八.Chainer

來(lái)自一個(gè)日本的深度學(xué)習(xí)創(chuàng)業(yè)公司Preferred Networks，今年6月發(fā)布的一個(gè)Python框架。Chainer 的設(shè)計(jì)基于 define by run原則，也就是說(shuō)該網(wǎng)絡(luò)在運(yùn)行中動(dòng)態(tài)定義，而不是在啟動(dòng)時(shí)定義。

商業(yè)智能與數(shù)據(jù)分析群

興趣范圍包括各種讓數(shù)據(jù)產(chǎn)生價(jià)值的辦法，實(shí)際應(yīng)用案例分享與討論，分析工具，ETL工具，數(shù)據(jù)倉(cāng)庫(kù)，數(shù)據(jù)挖掘工具，報(bào)表系統(tǒng)等全方位知識(shí)

QQ群：81035754