深度学习框架指南-一一网

【摘要】本文介绍深度学习的框架指南，基本是免费和开源的。包括：Keras、PyTorch、TensorFlow、Theano、MXNet、Caffe2、CNTK、Chainer等。文章结构分为“目录版”和“简介版”。目录版1 Keras目前已经合并到TensorFlow2.x中，使用和之前一样便捷且高效。Keras – 一种高级神经网络 API，用 Python 编写，能够在 TensorFlow、…

本文介绍深度学习的框架指南，基本是免费和开源的。

包括：Keras、PyTorch、TensorFlow、Theano、MXNet、Caffe2、CNTK、Chainer等。

文章结构分为“目录版”和“简介版”。

目录版

1 Keras

目前已经合并到TensorFlow2.x中，使用和之前一样便捷且高效。
Keras – 一种高级神经网络 API，用 Python 编写，能够在 TensorFlow、CNTK 或 Theano 之上运行
keras-contrib – Keras 社区贡献
Hyperas – Keras + Hyperopt：一个非常简单的超参数包装器
Elephas – 使用 Keras 和 Spark 进行分布式深度学习
Hera – 训练/评估 Keras 模型，将指标流式传输到浏览器中的仪表板。
dist-keras – 分布式深度学习，专注于分布式训练
Conx – 深度学习的入口

2 PyTorch

PyTorch – Python 中的张量和动态神经网络，具有强大的 GPU 加速
torchvision – 特定于计算机视觉的数据集、转换和模型
torchtext – 文本和 NLP 的数据加载器和抽象
torchaudio – PyTorch的音频库
ignite – 帮助在 PyTorch 中训练神经网络的高级库
PyToune – PyTorch的类似 Keras 的框架和实用程序
skorch – 包装 pytorch 的 scikit-learn 兼容神经网络库
PyTorchNet – 训练神经网络的抽象
Aorun – 打算使用 PyTorch 作为后端实现类似于 Keras 的 API。
pytorch_geometric – PyTorch 的几何深度学习扩展库

3 TensorFlow

TensorFlow – Google 使用数据流图进行可扩展机器学习的计算
TensorLayer – 面向研究人员和工程师的深度学习和强化学习库。
TFLearn – 深度学习库，具有更高级别的 TensorFlow API
Sonnet – DeepMind基于 TensorFlow 的神经网络库
TensorForce – 一个用于应用强化学习的 TensorFlow 库
tensorpack – TensorFlow 上的神经网络训练接口
Polyaxon – 一个帮助我们构建、管理和监控深度学习模型的平台
Horovod – TensorFlow 的分布式训练框架
tfdeploy – 部署张量流图以进行快速评估并导出到运行 numpy 的无张量流环境
hiptensorflow ![alt text][amd] – 启用 ROCm/HIP 的 Tensorflow
TensorFlow Fold – 使用 TensorFlow 中的动态计算图进行深度学习
tensorlm – 带有 RNN 的字符和单词级别的文本生成/语言模型的包装库
TensorLight – TensorFlow 的高级框架
Mesh TensorFlow – 模型并行变得更容易

4 Theano

警告：Theano 开发已停止

Theano – 是一个 Python 库，允许我们定义、优化和评估数学表达式
Lasagne – 在 Theano Lasagne 附加组件中构建和训练神经网络的轻量级库…
nolearn – scikit-learn 兼容的神经网络库（主要用于千层面）
Blocks – 用于构建和训练神经网络的 Theano 框架
platoon – Theano 的多 GPU 迷你框架
NeuPy – NeuPy 是一个用于人工神经网络和深度学习的 Python 库
scikit-neuralnetwork – 没有学习悬崖的深度神经网络
Theano-MPI – 用于训练在 Theano 中构建的深度学习模型的 MPI 并行框架

5 MXNet

MXNet – 具有动态、变异感知数据流调度器的轻量级、便携、灵活的分布式/移动深度学习
Gluon – 一个清晰、简洁、简单但功能强大且高效的深度学习 API（现已包含在 MXNet 中）
MXbox – 用于 mxnet 框架的简单、高效和灵活的视觉工具箱。
gluon-cv – 提供计算机视觉中最先进的深度学习模型的实现。
gluon-nlp – NLP 变得简单
MXNet ![alt text][amd] – MXNet 的 HIP 端口

6 Caffe2

Caffe – 深度学习的快速开放框架
Caffe2 – 一个轻量级、模块化和可扩展的深度学习框架
hipCaffe ![alt text][amd] – Caffe 的 HIP 端口

7 CNTK

CNTK – Microsoft Cognitive Toolkit (CNTK)，一个开源深度学习工具包

8 Chainer

Chainer – 一个灵活的神经网络框架
ChainerRL – 建立在Chainer 之上的深度强化学习库。
ChainerCV – 计算机视觉深度学习库
ChainerMN – 使用Chainer 进行可扩展的分布式深度学习
scikit-chainer – 类似于 scikit- learn 的 chainer接口
chainer_sklearn – 类似于 Chainer 的 Sklearn（Scikit-learn）接口

9 其他

Neon – 致力于在所有硬件上实现最佳性能的英特尔 Nervana™ 参考深度学习框架
Tangent – 纯 Python 中的源到源可调试派生
autograd – 有效地计算 numpy 代码的导数
Myia – 深度学习框架（pre-alpha）
nnabla – 索尼的神经网络库

简介版

1 Keras

Keras 是一个用 Python 编写的深度学习 API，运行在机器学习平台TensorFlow之上。它的开发重点是实现快速实验。

（目前已经合并到TensorFlow2.x中，使用和之前一样便捷且高效。）

Keras 和 TensorFlow 2

TensorFlow 2是一个端到端的开源机器学习平台。我们可以将其视为可微分编程的基础设施层。它结合了四个关键能力：

在 CPU、GPU 或 TPU 上高效执行低级张量运算。
计算任意可微表达式的梯度。
将计算扩展到许多设备，例如数百个 GPU 的集群。
将程序（“图形”）导出到外部运行时，例如服务器、浏览器、移动设备和嵌入式设备。

Keras 是 TensorFlow 2 的高级 API：一个用于解决机器学习问题的平易近人、高效的接口，专注于现代深度学习。它为开发和交付具有高迭代速度的机器学习解决方案提供了必要的抽象和构建块。

Keras 使工程师和研究人员能够充分利用 TensorFlow 2 的可扩展性和跨平台功能：我们可以在 TPU 或大型 GPU 集群上运行 Keras，可以导出Keras 模型以在浏览器或移动设备上运行设备。

Keras – 一种高级神经网络 API，用 Python 编写，能够在 TensorFlow、CNTK 或 Theano 之上运行
keras-contrib – Keras 社区贡献
Hyperas – Keras + Hyperopt：一个非常简单的超参数包装器
Elephas – 使用 Keras 和 Spark 进行分布式深度学习
Hera – 训练/评估 Keras 模型，将指标流式传输到浏览器中的仪表板。
dist-keras – 分布式深度学习，专注于分布式训练
Conx – 深度学习的入口

2 PyTorch

PyTorch 是一个 Python 包，它提供了两个高级功能：

具有强大 GPU 加速的张量计算（如 NumPy）
基于磁带的 autograd 系统构建的深度神经网络

我们可以在需要时重用我们最喜欢的 Python 包（例如 NumPy、SciPy 和 Cython）来扩展 PyTorch。

PyTorch – Python 中的张量和动态神经网络，具有强大的 GPU 加速
torchvision – 特定于计算机视觉的数据集、转换和模型
torchtext – 文本和 NLP 的数据加载器和抽象
torchaudio – PyTorch的音频库
ignite – 帮助在 PyTorch 中训练神经网络的高级库
PyToune – PyTorch的类似 Keras 的框架和实用程序
skorch – 包装 pytorch 的 scikit-learn 兼容神经网络库
PyTorchNet – 训练神经网络的抽象
Aorun – 打算使用 PyTorch 作为后端实现类似于 Keras 的 API。
pytorch_geometric – PyTorch 的几何深度学习扩展库

3 TensorFlow

TensorFlow是一个端到端的机器学习开源平台。它拥有一个由工具、库和社区资源组成的全面、灵活的生态系统，使研究人员能够推动 ML 的最新技术，而开发人员可以轻松构建和部署 ML 驱动的应用程序。

TensorFlow 最初由 Google 机器智能研究组织内的 Google Brain 团队的研究人员和工程师开发，用于进行机器学习和深度神经网络研究。该系统的通用性足以适用于各种其他领域。

TensorFlow 提供稳定的Python和C++API，以及其他语言的非保证向后兼容 API。

TensorFlow – Google 使用数据流图进行可扩展机器学习的计算
TensorLayer – 面向研究人员和工程师的深度学习和强化学习库。
TFLearn – 深度学习库，具有更高级别的 TensorFlow API
Sonnet – DeepMind基于 TensorFlow 的神经网络库
TensorForce – 一个用于应用强化学习的 TensorFlow 库
tensorpack – TensorFlow 上的神经网络训练接口
Polyaxon – 一个帮助我们构建、管理和监控深度学习模型的平台
Horovod – TensorFlow 的分布式训练框架
tfdeploy – 部署张量流图以进行快速评估并导出到运行 numpy 的无张量流环境
hiptensorflow ![alt text][amd] – 启用 ROCm/HIP 的 Tensorflow
TensorFlow Fold – 使用 TensorFlow 中的动态计算图进行深度学习
tensorlm – 带有 RNN 的字符和单词级别的文本生成/语言模型的包装库
TensorLight – TensorFlow 的高级框架
Mesh TensorFlow – 模型并行变得更容易

4 Theano

警告：Theano 开发已停止

Theano – 是一个 Python 库，允许我们定义、优化和评估数学表达式
Lasagne – 在 Theano Lasagne 附加组件中构建和训练神经网络的轻量级库…
nolearn – scikit-learn 兼容的神经网络库（主要用于千层面）
Blocks – 用于构建和训练神经网络的 Theano 框架
platoon – Theano 的多 GPU 迷你框架
NeuPy – NeuPy 是一个用于人工神经网络和深度学习的 Python 库
scikit-neuralnetwork – 没有学习悬崖的深度神经网络
Theano-MPI – 用于训练在 Theano 中构建的深度学习模型的 MPI 并行框架

5 MXNet

Apache MXNet 是一个为提高效率和灵活性而设计的深度学习框架。它允许我们混合符号和命令式编程，以最大限度地提高效率和生产力。在其核心，MXNet 包含一个动态依赖调度程序，可自动动态并行化符号和命令式操作。在其之上的图形优化层使符号执行速度快且内存高效。MXNet 便携且轻量级，可扩展到许多 GPU 和机器。

MXNet 不仅仅是一个深度学习项目。它是一个以实现人工智能民主化为使命的社区。它是构建深度学习系统的蓝图和指南的集合，以及针对黑客的 DL 系统的有趣见解。