初学者如何选出最适合自己深度学习框架？

无论是对于深度学习相关专业的初学者，还是已经在企业和组织中从事工业场景应用和研发的开发者来说，选择一个适合自己，适合业务场景需求的深度学习框架显得尤为重要。下边对现有深度框架做一个全面的阐述及解答。

目前，国内外有哪些主流的深度学习框架？分别有什么优缺点？

TensorFlow：谷歌大厂出品，社区资源丰富，用户群体广泛。如果你的业务是实现一个比较成熟的应用场景，选择 TensorFlow 是个不错的选择，毕竟大部分坑前人已经踩过了。如果你还是一名初学者，想要去实现全新的算法，那要慎重选择 TensorFlow，因其发展时间较久，代码库庞大，想要真正看懂它的代码会是一个不小的挑战。

PaddlePaddle：百度出品，跟 TF 类似，PaddlePaddle 也是在百度内部实际应用的工业框架。值得一提的是，PaddlePaddle 为大量工业级模型提供官方支持；大规模分布式训练技术能力强，支持大规模稠密参数和稀疏参数场景的并行训练；基于其中文文档友好、简单易上手的特点，社区活跃度不断提高。本土开发者中文交流非常方便。PaddlePaddle 已经升级为全面的深度学习开发套件，除了核心框架，还开放了 VisualDL、PARL、AutoDL、EasyDL、AI Studio 等一整套的深度学习工具组件和服务平台，更好地满足不同层次的深度学习开发者的开发需求。18 年百度加大了生态投入，在工业制造、农林领域有不少案例，对于想要落地应用场景，特别是针对中文语言处理的场景和大规模推荐场景，PaddlePaddle 或许是个不错的选择。

PyTorch＋Caffe2：脸书出品。PyTorch 前身是 Torch（一个基于 Lua 语言的深度学习库）。PyTorch 灵活性相比 TensorFlow 大大增强，支持动态构图，开发者可以随时改变神经网络的结构。PyTorch 今年因其易用性表现突出，越来越受到学术界的青睐。如果你是一名初学者，想要去复现前沿的算法，推荐使用 PyTorch。如果你是工业场景开发者，最好先搜一搜是否已经有使用 PyTorch 的成功落地案例。因为在运算效率、工业部署上，PyTorch 还不算成熟。Caffe2为生产环境设计，提供在各种平台（包括移动设备）的运行时。Caffe2 意在弥补 Pytorch 在生产环境的不足，目前还没有看到太多开发者反馈 Caffe2 的工业表现，需要更多时间验证。

MxNet：已被亚马逊 (Amazon) 选为 AWS 上的深度学习框架，支持动态图计算。优势是高效小巧，更适合自定义需求高的公司和研究者。如果你的工作需要对框架进行修改时，改 MxNet 要比改 TF 高效多了。MXNet 的用户相比其他框架并不算太多，有少量拥戴者。MXNet 在文档质量方便经常被诟病，新手还需要多磨合一下。

Keras：是一个用于快速构建深度学习原型的高层神经网络库，Keras 由纯 Python 编写而成，并基于 Tensorflow、Theano 以及 CNTK 后端。Keras 隐藏了大部分的内部运算，对于新手来说非常友好。如果想要快速入门，建议可以选择 Keras。但真的想成为深度学习大拿，还是要手动从零开始写一个神经网络的代码，否则容易依赖于 Keras 的易使用性而忽略底层原理。

XDL：阿里出品。X-Deep Learning (XDL) 是针对特定工业级场景（比如广告）深度学习问题的解决方案，而不是与其他框架并列的底层框架。实际上，XDL 采用桥接的方式支持使用 TensorFlow 和 MXNet 作为单节点的计算后端。对于已经使用 TensorFlow、MXNet 的开发者来说，如果需要在大规模稀疏场景应用可以选择 XDL 试试， XDL 依赖于阿里提供特定的部署环境，对非阿里系用户不是很人性化。

不同学习阶段、不同岗位的开发者，面对不同的业务场景需求应该选择什么深度学习框架？选择和衡量的标准是什么？

不同类型的用户，选择和衡量的标准会有一定差异。选择框架通常要考虑易用性、性能、社区、平台支持等问题。初学者应该考虑容易上手的框架。偏研究性的开发者，一般选择易用而且有领先的模型基线的框架。偏工业应用的开发者可以考虑使用稳定性高、性能好的框架。比较高阶的用户，往往需要同时掌握多个框架。最新的开源算法可能会基于某个框架，掌握多个框架可以更快复现前沿成果。同时不同框架在不同模型上有性能差异，掌握多个框架也可以选择在某个场景下最适合的框架。

在选择深度学习框架时有哪些经验可以分享？需要考虑哪些因素？

开发者通常用深度学习框架组建网络，去解决实际企业级业务中的具体问题，比如：词法分析、机器翻译等。选择框架时通常需要关注以下一些因素：

（1）框架是否已经官方支持了当前最好的算法，比如中文词法分析任务。

（2）框架是否高效。同样的算法用不同框架实现，训练速度更快，意味着更少的线下资源，更快的迭代速度；预测速度更快，意味着实际部署时可以为企业节省大量的机器资源，也具有更高的响应速度。

（3）框架的接口是否容易使用。

掌握一个深度学习框架，开发者需要做哪些准备？

在开发者已经学习 Python 程序开发和深度学习基础知识的前提下，掌握一个深度学习框架，开发者需要了解框架的基本原理，学习并掌握框架的基本概念和用法。

（1）通常可以先从官方文档开始，通过大致浏览官方文档对框架基本概念和用法有一个大致的了解。

（2）另外可以结合官方提供的快速入门例子，在自己的机器上安装并练习使用。

（3）然后可以再从官方的模型库里面挑选一些算法，进行学习参考。

（4）结合自己具体任务组建网络，查看 API 接口文档，解决实际任务。

深度学习框架能“包治百病”吗？是否适用于所有应用场景需求？

需要提醒大家的是，深度学习框架不能包至百病，深度学习框架能够解决的是适合使用深度学习技术的应用场景。

深度学习（DL）是机器学习（ML）的一个分支，也是当下最流行的机器学习方法，虽然近几年在图像、语音、自然语言处理等应用方向，深度学习技术都取得了突破性的进展，但是我们依然不应该神话深度学习，认为深度学习无所不能。

适合掌握深度学习的任务应具备这样一些特点：

（1）具备大量样本数据。如果样本数据难以获取或者数量太少，我们认为就不适合深度学习技术解决。

（2）样本数据对场景的覆盖度足够完善。深度学习模型的效果完全依赖样本数据表现，如果出现样本数据外的情况，模型的推广性会变差。

（3）结果对可解释性的要求不高。如果应用场景不仅要机器能够完成某项任务，还需对完成过程有明确的可解释性，这样的场景就不那么适合深度学习。

 

联盟有话说：

目前比较主流的两大深度学习框架是TensorFlow和PyTorch，TensorFlow在工业界用的比较多，PyTorch比较灵活，相对在学业界用的比较多。不过，联盟觉得只要选择一个适合自己的，踏实用心学习就好了，不用考虑其他很多不必考虑的问题，何必给自己增添烦恼呢。

对于有能力或者高端开发者，还是要对流行框架都掌握哟，这样才能跟随AI前沿！