Google近日發(fā)布了TensorFlow 1.0候選版，這第一個穩(wěn)定版將是深度學習框架發(fā)展中的里程碑的一步。自TensorFlow于2015年底正式開源，距今已有一年多，這期間TensorFlow不斷給人以驚喜。在這一年多時間，TensorFlow已從初入深度學習框架大戰(zhàn)的新星，成為了幾近壟斷的行業(yè)事實標準。本文節(jié)選自《TensorFlow實戰(zhàn)》第二章。

深度學習研究的熱潮持續(xù)高漲，各種開源深度學習框架也層出不窮，其中包括TensorFlow、Caffe、Keras、CNTK、Torch7、MXNet、Leaf、Theano、DeepLearning4、Lasagne、Neon，等等。然而TensorFlow卻殺出重圍，在關注度和用戶數(shù)上都占據(jù)絕對優(yōu)勢，大有一統(tǒng)江湖之勢。表2-1所示為各個開源框架在GitHub上的數(shù)據(jù)統(tǒng)計（數(shù)據(jù)統(tǒng)計于2017年1月3日），可以看到TensorFlow在star數(shù)量、fork數(shù)量、contributor數(shù)量這三個數(shù)據(jù)上都完勝其他對手。

究其原因，主要是Google在業(yè)界的號召力確實強大，之前也有許多成功的開源項目，以及Google強大的人工智能研發(fā)水平，都讓大家對Google的深度學習框架充滿信心，以至于TensorFlow在2015年11月剛開源的第一個月就積累了10000+的star。其次，TensorFlow確實在很多方面擁有優(yōu)異的表現(xiàn)，比如設計神經(jīng)網(wǎng)絡結構的代碼的簡潔度，分布式深度學習算法的執(zhí)行效率，還有部署的便利性，都是其得以勝出的亮點。如果一直關注著TensorFlow的開發(fā)進度，就會發(fā)現(xiàn)基本上每星期TensorFlow都會有1萬行以上的代碼更新，多則數(shù)萬行。產(chǎn)品本身優(yōu)異的質(zhì)量、快速的迭代更新、活躍的社區(qū)和積極的反饋，形成了良性循環(huán)，可以想見TensorFlow未來將繼續(xù)在各種深度學習框架中獨占鰲頭。

表2-1 各個開源框架在GitHub上的數(shù)據(jù)統(tǒng)計

觀察表1還可以發(fā)現(xiàn)，Google、Microsoft、Facebook等巨頭都參與了這場深度學習框架大戰(zhàn)，此外，還有畢業(yè)于伯克利大學的賈揚清主導開發(fā)的Caffe，蒙特利爾大學Lisa Lab團隊開發(fā)的Theano，以及其他個人或商業(yè)組織貢獻的框架。另外，可以看到各大主流框架基本都支持Python，目前Python在科學計算和數(shù)據(jù)挖掘領域可以說是獨領風騷。雖然有來自R、Julia等語言的競爭壓力，但是Python的各種庫實在是太完善了，Web開發(fā)、數(shù)據(jù)可視化、數(shù)據(jù)預處理、數(shù)據(jù)庫連接、爬蟲等無所不能，有一個完美的生態(tài)環(huán)境。僅在數(shù)據(jù)挖據(jù)工具鏈上，Python就有NumPy、SciPy、Pandas、Scikit-learn、XGBoost等組件，做數(shù)據(jù)采集和預處理都非常方便，并且之后的模型訓練階段可以和TensorFlow等基于Python的深度學習框架完美銜接。

表2-1和圖2-1所示為對主流的深度學習框架TensorFlow、Caffe、CNTK、Theano、Torch在各個維度的評分，本書2.2節(jié)會對各個深度學習框架進行比較詳細的介紹。

表2-2 主流深度學習框架在各個維度的評分

圖2-1  主流深度學習框架對比圖

在本節(jié)，我們先來看看目前各流行框架的異同，以及各自的特點和優(yōu)勢。

TensorFlow
TensorFlow是相對高階的機器學習庫，用戶可以方便地用它設計神經(jīng)網(wǎng)絡結構，而不必為了追求高效率的實現(xiàn)親自寫C++或CUDA代碼。它和Theano一樣都支持自動求導，用戶不需要再通過反向傳播求解梯度。其核心代碼和Caffe一樣是用C++編寫的，使用C++簡化了線上部署的復雜度，并讓手機這種內(nèi)存和CPU資源都緊張的設備可以運行復雜模型（Python則會比較消耗資源，并且執(zhí)行效率不高）。除了核心代碼的C++接口，TensorFlow還有官方的Python、Go和Java接口，是通過SWIG（Simplified Wrapper and Interface Generator）實現(xiàn)的，這樣用戶就可以在一個硬件配置較好的機器中用Python進行實驗，并在資源比較緊張的嵌入式環(huán)境或需要低延遲的環(huán)境中用C++部署模型。SWIG支持給C/C++代碼提供各種語言的接口，因此其他腳本語言的接口未來也可以通過SWIG方便地添加。不過使用Python時有一個影響效率的問題是，每一個mini-batch要從Python中feed到網(wǎng)絡中，這個過程在mini-batch的數(shù)據(jù)量很小或者運算時間很短時，可能會帶來影響比較大的延遲。現(xiàn)在TensorFlow還有非官方的Julia、Node.js、R的接口支持。