手机版 欢迎访问it开发者社区(www.mfbz.cn)网站

当前位置: > 开发

深度框架解析

时间:2021/5/18 21:37:16|来源:|点击: 次

深度框架解析

在这里插入图片描述

本文为大家分析并比较五种非常有用的深度学习框架的优点及应用。
概述从出道起,我就一直是一名程序员。我喜欢从头开始编写代码,这有助于我清楚地理解主题(或技巧)。当我们刚开始学习数据科学时,这种方法尤为有用。尝试从无到有地实现一个神经网络,你将会明白很多有趣的事情。但是当需要为现实世界的数据集构建深度学习模型时,这还是一个不错的主意吗?如果你需要几天或几周的时间来建立起模型,这是完全不可能的。对于那些无法访问无限计算资源的人来说,你们已经来到了正确的地方。值得庆幸的是,我们现在已经有了易于使用的开源深度学习框架,旨在简化复杂和大规模深度学习模型的实现。使用这些神奇的框架,我们可以实现诸如卷积神经网络这样复杂的模型。
在本文中,将介绍5种非常有用的深度学习框架、它们的优点以及应用。我们将对每个框架进行比较,以了解何时何地可以使用它们
我们还创建了一个非常酷的针对每个深度学习框架的信息图表,附在在文章的末尾,为每个数据科学家所必备。
目录
一、什么是深度学习框架?
二、TensorFlow
三、Keras
四、PyTorch
五、Caffe
六、Deeplearning4j
七、五个深度学习框架之间的对比

一、什么是深度学习框架?
让我们用一个例子来理解这个概念,来看以下图像集合:

在这里插入图片描述

在这个图像中有不同的分类:猫,骆驼,鹿,大象等。我们的任务是将这些图像归到相应的类(或类别)中。用Google搜索一下就能知道:卷积神经网络(CNNs)对于这类图像分类任务十分有效。
我们要做的工作就是实现这个模型,对吗?如果从头开始编写一个卷积神经网络,则需要几天(甚至几周)才能得到一个有效的模型,我们却没法等这么长的时间!
这正是深度学习框架真正改变了局面的地方。
深度学习框架是一种界面、库或工具,它使我们在无需深入了解底层算法的细节的情况下,能够更容易、更快速地构建深度学习模型。深度学习框架利用预先构建和优化好的组件集合定义模型,为模型的实现提供了一种清晰而简洁的方法。
利用恰当的框架来快速构建模型,而无需编写数百行代码,一个良好的深度学习框架具备以下关键特征:
优化的性能
易于理解和编码
良好的社区支持
并行化的进程,以减少计算
自动计算梯度

这五点也是我用来挑选五大顶级深度学习框架的标准。下面让我们详细研究一下它们。
二、TensorFlow
在这里插入图片描述
TensorFlow是由谷歌大脑团队的研究人员和工程师开发的,它是深度学习领域中最常用的软件库(尽管其他软件正在迅速崛起)。
我喜欢TensorFlow的原因有两点:它完全是开源的,并且有出色的社区支持。TensorFlow为大多数复杂的深度学习模型预先编写好了代码,比如递归神经网络和卷积神经网络。
TensorFlow如此流行的最大原因之一是支持多种语言来创建深度学习模型,比如Python、C和R,并且有不错的文档和指南。
TensorFlow有许多组件,其中最为突出的是:

Tensorboard:帮助使用数据流图进行有效的数据可视化
TensorFlow:用于快速部署新算法/试验
TensorFlow的灵活架构使我们能够在一个或多个CPU(以及GPU)上部署深度学习模型。下面是一些典型的TensorFlow用例:

基于文本的应用:语言检测、文本摘要
图像识别:图像字幕、人脸识别、目标检测
声音识别
时间序列分析
视频分析

用例远远不止这些,如果你知道TensorFlow还有以上所述之外的其他应用,我很乐意知道!可以在本文的评论部分告诉我,我们再做讨论。
安装TensorFlow也是一个非常简单的任务。
对于CPU:
pip install tensorflow
对于启用CUDA的GPU卡:
pip install tensorflow-gpu
通过以下综合教程了解如何使用TensorFlow建立神经网络模型:

利用TensorFlow实现神经网络简介
https://www.analyticsvidhya.com/blog/2016/10/an-introduction-to-implementing-neural-networks-using-tensorflow/?utm_source=blog&utm_medium=comparison-deep-learning-framework

TensorFlow教程
https://www.tensorflow.org/tutorials
三、Keras

在这里插入图片描述
你习惯使用Python吗?如果是,那么可以立即连接到Keras。这是一个开启你的深度学习之旅的完美的框架。
Keras用Python编写,可以在TensorFlow(以及CNTK和Theano)之上运行。TensorFlow的接口具备挑战性,因为它是一个低级库,新用户可能会很难理解某些实现。
而Keras是一个高层的API,它为快速实验而开发。因此,如果希望获得快速结果,Keras会自动处理核心任务并生成输出。Keras支持卷积神经网络和递归神经网络,可以在CPU和GPU上无缝运行。
深度学习的初学者经常会抱怨:无法正确理解复杂的模型。如果你是这样的用户,Keras便是你的正确选择!它的目标是最小化用户操作,并使其模型真正容易理解。
可以将Keras中的模型大致分为两类:

  1. 序列化
    模型的层是按顺序定义的。这意味着当我们训练深度学习模型时,这些层次是按顺序实现的。下面是一个顺序模型的示例:
    from keras.models import Sequential from keras.layers import Dense model = Sequential() # we can add multiple layers to the model using .add() model.add(Dense(units=64, activation=‘relu’, input_dim=100)) model.add(Dense(units=10, activation=‘softmax’))
  2. Keras 函数API
    用于定义复杂模型,例如多输出模型或具有共享层的模型。请查看下面的代码来理解这一点:
    from keras.layers import Input, Dense from keras.models import Model inputs = Input(shape=(100,)) # specify the input shape x = Dense(64, activation=‘relu’)(inputs) predictions = Dense(10, activation=‘softmax’)(x) model = Model(inputs=inputs, outputs=predictions)
    Keras有多种架构,如下所述,用于解决各种各样的问题,其中包括我的最爱之一:图像分类!

VGG 16
VGG 19
InceptionV 3
Mobilenet及更多
可以参考官方的Keras文档来详细了解框架是如何工作的。
Keras官方中文文档https://keras.io/zh/
仅需一行代码即可安装Keras:
pip install keras
对Keras感兴趣?可以继续学习以下教程,了解如何使用Keras实现神经网络:

基于Keras的神经网络优化
https://www.analyticsvidhya.com/blog/2016/10/tutorial-optimizing-neural-networks-using-keras-with-image-recognition-case-study/?utm_source=blog&utm_medium=comparison-deep-learning-framework
四、PyTorch

在这里插入图片描述
还记得我们说过TensorFlow是目前最常用的深度学习框架吗?但是如果考虑到数据科学家和开发者们拥抱Facebook的PyTorch的速度,那它可能很快就要落伍了。
我是PyTorch的拥护者,在我所研究过的框架中,PyTorch最富灵活性。
PyTorch是Torch深度学习框架的一个接口,可用于建立深度神经网络和执行张量计算。Torch是一个基于Lua的框架,而PyTorch则运行在Python上。
PyTorch是一个Python包,它提供张量计算。张量是多维数组,就像numpy的ndarray一样,它也可以在GPU上运行。PyTorch使用动态计算图,PyTorch的Autograd软件包从张量生成计算图,并自动计算梯度。
与特定功能的预定义的图表不同,PyTorch提供了一个框架,用于在运行时构建计算图形,甚至在运行时也可以对这些图形进行更改。当不知道创建神经网络需要多少内存的情况下,这个功能便很有价值。
可以使用PyTorch处理各种来自深度学习的挑战,包括:

影像(检测、分类等)
文本(NLP)
增强学习
想知道如何在机器上安装PyTorch,请稍等片刻。安装步骤取决于操作系统、需要安装的PyTorch包、正在使用的工具/语言、CUDA等其他一些因素。
根据此链接的内容检查PyTorch安装步骤,准备好框架之后,再检查以下两个资源,利用PyTorch构建第一个神经网络:

学习如何使用PyTorch来构建快速和准确的神经网络-4个不错的案例研究
https://www.analyticsvidhya.com/blog/2019/01/guide-pytorch-neural-networks-case-studies/https://www.analyticsvidhya.com/blog/2019/01/guide-pytorch-neural-networks-case-studies/?utm_source=blog&utm_medium=comparison-deep-learning-framework

PyTorch教程
https://pytorch.org/tutorials/beginner/deep_learning_60min_blitz.html
五、Caffe
在这里插入图片描述
CAFE是另一个面向图像处理领域的、比较流行的深度学习框架,它是由贾阳青(Yangqing Jia)在加利福尼亚伯克利大学读博士期间开发的。同样,它也是开源的!
首先,Caffe对递归网络和语言建模的支持不如上述三个框架。但是Caffe最突出的地方是它的处理速度和从图像中学习的速度。

Caffe可以每天处理超过六千万张图像,只需单个NVIDIA K40 GPU,其中 1毫秒/图像用于推理,4毫秒/图像用于学习。
它为C、Python、MATLAB等接口以及传统的命令行提供了坚实的支持。
通过Caffe Model Zoo框架可访问用于解决深度学习问题的预训练网络、模型和权重。这些模型可完成下述任务:

简单的递归
大规模视觉分类
用于图像相似性的SiameSE网络
语音和机器人应用

有关更多细节,您可以查看Caffe相关文档。

Caffe安装文档
http://caffe.berkeleyvision.org/installation.html

Caffe文档
http://caffe.berkeleyvision.org/
六、Deeplearning4j

我们社区中有Java程序员吗?这是你理想的深度学习框架!Deeplearning4j是用Java实现的,因此与Python相比效率更高。它使用称为ND4J的张量库,提供了处理n维数组(也称为张量)的能力。该框架还支持CPU和GPU。
Deeplearning4j将加载数据和训练算法的任务作为单独的过程处理,这种功能分离提供了很大的灵活性。谁都喜欢这样,尤其是在深度学习中!
Deeplearning4j也适用于不同的数据类型:

图像
CSV
纯文本等

可以使用Deeplearning4j构建的深度学习模型有:

卷积神经网络(CNNs)
递归神经网络(RNNs)
长短时记忆(LSTM)等多种结构
阅读Deeplearning4j的安装步骤和文档,开始使用这个框架。

Deeplearning4j安装步骤
https://deeplearning4j.org/docs/latest/deeplearning4j-config-gpu-cpu

Deeplearning4j文档
https://deeplearning4j.org/docs/latest/deeplearning4j-quickstart
七、五种深度学习框架之间的对比
上面已经讨论了五个最流行的深度学习框架,每一个都独具特性,那么数据科学家会如何做出选择呢。
你决定用哪一种了吗?或者你打算换一个全新的框架?不管是什么情况,了解每个框架的优点和局限性非常重要。如果选对了正确的框架,当遇到错误时,便不会感到惊讶了!
某些框架在处理图像数据时工作得非常好,但无法解析文本数据;某些框架在处理图像和文本数据时,性能很好,但是它们的内部工作原理很难理解。
在本节中,将使用以下标准比较这五个深度学习框架:

社区支持力度
使用的语言
接口
对预训练的模型的支持
下表对这些框架进行了比较:

对于选择使用的框架来说,这是一个非常方便的对比表!
所有这些框架都是开源的,支持CUDA,并有预训练的模型。但是,应该如何正确开始,应该选择哪个框架来构建(初始)深度学习模型?让我们来做详细的讨论!

TensorFlow
我们先来说说TensortFlow。TensorFlow能处理图像以及基于序列的数据,如果你是深度学习的初学者,或者对线性代数和微积分等数学概念没有坚实的基础,那么TensortFlow的学习曲线将会令人畏惧地陡峭。
我完全理解,对于刚起步的人来说,这可能太复杂。但我建议你不断练习,不断探索社区,并继续阅读文章以掌握TensorFlow的诀窍。一旦对这个框架有了一个很好的理解,实现一个深度学习模型对你来说将是易如反掌。

Keras
Keras是一个非常坚实的框架,可以开启深度学习之旅。如果你熟悉Python,并且没有进行一些高级研究或开发某种特殊的神经网络,那么Keras适合你。
Keras的重点更多地放在取得成果上,而不是被模型的复杂之处所困扰。因此,如果有一个与图像分类或序列模型相关的项目,可以从Keras开始,很快便可以构建出一个工作模型。
Keras也集成在TensorFlow中,因此也可以使用tf.keras.构建模型。

Caffe
在图像数据上构建深度学习模型时,Caffe是不错的选择。但是,当谈到递归神经网络和语言模型时,Caffe落后于我们讨论过的其他框架。Caffe的主要优点是,即使没有强大的机器学习或微积分知识,也可以构建出深度学习模型。
Caffe主要用于建立和部署移动电话和其他计算受限平台的深度学习模型。

Deeplearning4j
正如之前所述,DeepleEarning4J是Java程序员的天堂。它为CNNS、RNN和LSTMS等不同的神经网络提供了大量的支持,它在不牺牲速度的情况下可以处理大量数据。听起来不错,有机会通过!
后记及图示信息图
除了文中提及的五种深度学习框架之外,你有没有其他的深度学习框架?很想听听你的想法和反馈。请在下面的评论部分与我联系。
记住,这些框架基本上只是帮助我们实现最终目标的工具,正确地选择它们可以减少大量的精力和时间。
在这里插入图片描述

Copyright © 2002-2019 某某自媒体运营 版权所有