深度学习框架Keras与Pytorch对比_pytorch keras

对于许多科学家、工程师和开发人员来说，TensorFlow是他们的第一个深度学习框架。TensorFlow 1.0于2017年2月发布，可以说，它对用户不太友好。

在过去的几年里，两个主要的深度学习库Keras和Pytorch获得了大量关注，主要是因为它们的使用比较简单。

本文将介绍Keras与Pytorch的4个不同点以及为什么选择其中一个库的原因。

Keras

Keras本身并不是一个框架，而是一个位于其他深度学习框架之上的高级API。目前它支持TensorFlow、Theano和CNTK。

Keras的优点在于它的易用性。这是迄今为止最容易上手并快速运行的框架。定义神经网络是非常直观的，因为使用API可以将层定义为函数。

Pytorch

Pytorch是一个深度学习框架(类似于TensorFlow)，由Facebook的人工智能研究小组开发。与Keras一样，它也抽象出了深层网络编程的许多混乱部分。

就高级和低级代码风格而言，Pytorch介于Keras和TensorFlow之间。比起Keras具有更大的灵活性和控制能力，但同时又不必进行任何复杂的声明式编程(declarative programming)。

深度学习的从业人员整天都在纠结应该使用哪个框架。一般来说，这取决于个人喜好。但是在选择Keras和Pytorch时，你应该记住它们的几个方面。

(1)定义模型的类与函数

为了定义深度学习模型，Keras提供了函数式API。使用函数式API，神经网络被定义为一系列顺序化的函数，一个接一个地被应用。例如，函数定义层1( function defining layer 1)的输出是函数定义层2的输入。

img_input = layers.Input(shape=input_shape)
x = layers.Conv2D(64, (3, 3), activation='relu')(img_input)    
x = layers.Conv2D(64, (3, 3), activation='relu')(x)    
x = layers.MaxPooling2D((2, 2), strides=(2, 2))(x)
1
2
3
4

在Pytorch中，你将网络设置为一个继承来自Torch库的torch.nn.Module的类。与Keras类似，Pytorch提供给你将层作为构建块的能力，但是由于它们在Python类中，所以它们在类的init_ ()方法中被引用，并由类的forward()方法执行。

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(3, 64, 3)
        self.conv2 = nn.Conv2d(64, 64, 3)
        self.pool = nn.MaxPool2d(2, 2)
    def forward(self, x):
        x = F.relu(self.conv1(x))
        x = self.pool(F.relu(self.conv2(x)))
        return x
model = Net()
1
2
3
4
5
6
7
8
9
10
11

(2)张量和计算图模型与标准数组的比较

Keras API向普通程序员隐藏了许多混乱的细节。这使得定义网络层是直观的，并且默认的设置通常足以让你入门。

只有当你正在实现一个相当先进或“奇特”的模型时，你才真正需要深入了解底层，了解一些基本的TensorFlow。

棘手的部分是，当你真正深入到较低级别的TensorFlow代码时，所有的挑战就随之而来!你需要确保所有的矩阵乘法都对齐。不要试着想打印出你自己定义的层的输出，因为你只会得到一个打印在你的终端上的没有错误的张量定义。

Pytorch在这些方面更宽容一些。你需要知道每个层的输入和输出大小，但是这是一个比较容易的方面，你可以很快掌握它。你不需要构建一个抽象的计算图，避免了在实际调试时无法看到该抽象的计算图的细节。

Pytorch的另一个优点是平滑性，你可以在Torch张量和Numpy数组之间来回切换。如果你需要实现一些自定义的东西，那么在TF张量和Numpy数组之间来回切换可能会很麻烦，这要求开发人员对TensorFlow会话有一个较好的理解。

Pytorch的互操作实际上要简单得多。你只需要知道两种操作:一种是将Torch张量(一个可变对象)转换为Numpy，另一种是反向操作。

当然，如果你从来不需要实现任何奇特的东西，那么Keras就会做得很好，因为你不会遇到任何TensorFlow的障碍。但是如果你有这个需求，那么Pytorch将会是一个更加好的选择。

(3)训练模型

用Keras训练模特超级简单!只需一个简单的.fit()，你就可以直接去跑步了。

history = model.fit_generator(
    generator=train_generator,
    epochs=10,
    validation_data=validation_generator)
1
2
3
4

在Pytorch中训练模型包括以下几个步骤:

1. 在每批训练开始时初始化梯度
2. 前向传播
3. 反向传播
4. 计算损失并更新权重

# 在数据集上循环多次
for epoch in range(2):  
    for i, data in enumerate(trainloader, 0):
        # 获取输入; data是列表[inputs, labels]
        inputs, labels = data 
        # (1) 初始化梯度
        optimizer.zero_grad() 

        # (2) 前向传播
        outputs = net(inputs)
        loss = criterion(outputs, labels)

        # (3) 反向传播
        loss.backward()
        # (4) 计算损失并更新权重
        optimizer.step()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

光是训练就需要很多步骤!

我想这种方式你就会知道实际上发生了什么。由于这些模型训练步骤对于训练不同的模型本质上保持不变，所以这些代码实际上完全不必要的。

(4)控制CPU与GPU模式的比较

如果你已经安装了tensorflow-gpu，那么在Keras中使用GPU是默认启用和完成的。如果希望将某些操作转移到CPU，可以使用以下代码。

with tf.device('/cpu:0'):
    y = apply_non_max_suppression(x)
1
2

对于Pytorch，你必须显式地为每个torch张量和numpy变量启用GPU。这将使代码变得混乱，如果你在CPU和GPU之间来回移动以执行不同的操作，则很容易出错。

例如，为了将我们之前的模型转移到GPU上运行，我们需要做以下工作:

#获取GPU设备
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")

#传送网络到GPU
net.to(device)

# 传送输入和标签到GPU
inputs, labels = data[0].to(device), data[1].to(device)

JAVASCRIPT 复制 全屏
1
2
3
4
5
6
7
8
9
10

Keras在这方面的优势在于它的简单性和良好的默认设置

选择框架的一般建议

我通常给出的建议是从Keras开始。

Keras绝对是最容易使用、理解和快速上手并运行的框架。你不需要担心GPU设置，处理抽象代码，或者做任何复杂的事情。你甚至可以在不接触TensorFlow的任何一行的情况下实现定制层和损失函数。

如果你确实开始深入到深度网络的更细粒度方面，或者正在实现一些非标准的东西，那么Pytorch就是你的首选库。在Keras上实现反而会有一些额外的工作量，虽然不多，但这会拖慢你的进度。使用pytorch能够快速地实现、训练和测试你的网络，并附带易于调试的额外好处!

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。