文章目录
Caffe
Pytorch
TensorFlow
Keras
Caffe
第一个主流产品级深度学习库，于 2014 年由 UC Berkeley 启动
优点：快速、支持 GPU、漂亮的 Matlab 和 Python 接口
缺点：不灵活。在 Caffe 中，每个节点被当做一个层，因此如果你想要一种新的层类型，你需要定义完整的前向、后向和梯度更新过程。这些层是网络的构建模块，你需要在无穷无尽的列表中进行选择。（相反，在 TensorFlow 中，每个节点被当做一个张量运算例如矩阵相加、相乘或卷积。你可以轻易地定义一个层作为这些运算的组合。因此 TensorFlow 的构建模块更小巧，允许更灵活的模块化
Pytorch
2017 年 1 月，Facebook 将 Python 版本的 Torch 库（用 Lua 编写）开源
优点：
- 提供动态计算图（意味着图是在运行时生成的），允许你处理可变长度的输入和输出，例如，在使用 RNN 时非常有用，易于编写自己的图层类型
- 易于在 GPU 上运行
- 大量易于组合的模块化组件
缺点：
- 正式文档以外的参考资料 / 资源有限
- 正式文档以外的参考资料 / 资源有限
TensorFlow
由较低级别的符号计算库（如 Theano）与较高级别的网络规范库（如 Blocks 和 Lasagne）组合而成
优点：
- 由谷歌开发、维护，因此可以保障支持、开发的持续性
- 巨大、活跃的社区
- 网络训练的低级、高级接口
缺点：
- 计算图是纯 Python 的，因此速度较慢
- 图构造是静态的，意味着图必须先被「编译」再运行
Keras
Keras 是一个更高级、对用户最友好的 API，具有可配置的后端，由 Google Brain 团队成员 Francis Chollet 编写和维护
优点：
- 提供高级 API 来构建深度学习模型，使其易于阅读和使用
- 编写规范的文档
- 大型、活跃的社区
- 位于其他深度学习库（如 Theano 和 TensorFlow，可配置）之上
- 使用面向对象的设计，因此所有内容都被视为对象（如网络层、参数、优化器等）。所有模型参数都可以作为对象属性进行访问。
缺点：
- 由于用途非常普遍，所以在性能方面比较欠缺
- 与 TensorFlow 后端配合使用时会出现性能问题（因为并未针对其进行优化），但与 Theano 后端配合使用时效果良好
- 不像 TensorFlow 或 PyTorch 那样灵活
本文来自投稿，不代表本人立场，如若转载，请注明出处：http://www.souzhinan.com/kj/284220.html