中国下一代AI开源框架：国际、创新、实用和长期主义_各个开源框架名称

中国下一代AI开源框架：国际、创新、实用和长期主义

道翰天琼认知智能机器人平台API接口大脑为您揭秘。目前国内外的AI开源框架领域，以TensorFlow、PyTorch、MindSpore等为代表，正处于一种群雄林立、七国八制的状态，但也增加了AI应用的平台移植成本，所以 TensorLayer的问世难能可贵，它基于各个主流的开源框架，提供了一个统一的AI算法模型接口，不仅稳定了AI应用层，也促进了各开源框架的良序竞争。同时令人称道的是，TensorLayer 也是AI领域为数不多的、由中国学者主导研发并获得国际认可的开源项目，它还曾经获得了ACM Multimedia 2017年度最佳开源软件奖。 
鉴于中国AI开源框架实力，整体尚处于一种相对薄弱的状态，那么对于正蓄势待发、投身于AI 开源项目的学者或从业者们来说，TensorLayer 有哪些值得学习的经验呢？为此，我们采访了TensorLayer的项目发起人董豪以及核心开发骨干麦络。 
董豪，北京大学前沿计算研究中心助理教授，英国帝国理工学院博士。研究方向是生成模型。 麦络，爱丁堡大学信息学院助理教授。研究方向是计算机系统，机器学习和大数据。 通过董豪和麦络抽丝剥茧般的独到解析，笔者发现：在AI框架领域，生态建设越来越重要，几个人打天下的时代已经过去，其背后是人工智能潮流正奔着技术和产业融合的方向滚滚向前；对于下一代AI开源框架，它的成功将是团队合作、国际视野、技术创新、市场落地和持之以恒的综合结果。 下面，是董豪和麦络在访谈中的精彩观点。
整理：智源社区 常政

一、TenorLayer：寻找学术界和工业界AI应用的平衡点

 智源社区：TensorLayer曾经获得了ACM Multimedia 2017年度最佳开源软件奖，截止目前为止已经有280k下载量，Star超 6k，相关官方项目Star超10k，你觉得它获得成功和公众关注的主要原因是什么？你自己如何定位它的意义和价值？ 董豪：TensorLayer能走到现在的一个重要原因，是早在2016年我们就开始做了。当时TensorFlow并不那么好用，需要靠Keras库等来给它做一些支撑。但Keras是属于高度封装的一个库，而我们在做量化网络的时候需要对底层做一点定制化，所以完全无从下手。所以我们最后通过研发TensorLayer，做了简化，让大家在制定Layer时变得非常简单。 我们对自己的定位是面向学术界和工业界，学术界讲究的是更加透明化的编程方式，工业界追求简洁的编程方式，所以这里面需要找到一个平衡点。首先，在学术界的一个优势，便是不用象企业那样更新一个软件版本需要制定计划，今天突然得到一篇论文，可以很快地实现、迭代更新上面的算法模型，并分享给其他人使用；这样带来另外一个好处，便是工业界也可以通过我们的库发现他们没有的一些Layer，从而能够很好地促成学术界的新进展在工业界的使用。另外一方面，是在抽象设计上，对于定制化的东西要简单，同时写出来的代码，要方便大家容易看懂。 麦络：我补充两个点。我们在研发TensorLayer的时候，深度学习的开发者主要有两个选择：TensorFlow或者 Keras。 早期的TensorFlow提供很多底层的API（例如session和graph），足够灵活但是难以上手。另一方面，Keras提供高层次API，简单上手，但是难以对模型和训练过程做定制。非常多的像董豪和我这样的AI研发人员在寻找一个兼顾灵活性和高层次抽象的库，从而帮助我们快速实现新型AI模型。因此我们设计了TensorLayer，并将这种抽象且灵活的哲学贯穿其中。 此外，TensorLayer还提供了很多前沿的算法复现。比如董豪在里面实现了近一、两个月才提出来的算法复现，而Keras注重的是经典算法复现，未必很前沿，这也使得TensorLayer的第一批用户很多来自顶尖大学的PhD。这样，TensorLayer 的生态也就慢慢建立起来了。 
智源社区：TensorLayer 和目前业界的主流AI框架是一种什么关系，能否做到兼容？ 董豪：我们在这方面的思路是，使得TensorLayer在上层定义出AI模型的一套规范，也就是说AI算法上层的模型都可以拿TensorLayer的基本API定义出来。而对于底层，我们会尝试做到TensorLayer的模型定义是可以运行在MindSpore、TensorFlow和PyTorch等上面。这里面我们可以利用的一个契机是，这些主流框架现在都在尝试做出一套中间表达，比如MLIR、TBM。所以，TensorLayer可以通过在中间做好转接，让很多应用运行在不同的AI框架上面。 智源社区：TensorLayer 目前它的产业应用情况如何？有没有令你印象深刻的几个行业应用？ 董豪：首先是垃圾文本，它主要应用于视频直播。TensorLayer 开发了文本垃圾分类程序，可以自动屏蔽视频中的脏话文本等。此外还有视觉识别中的人体姿态估计，影响力也很大，在TensorLayer的Github上，人体姿态估计获得了700、800个Star，而且经常收到全球各地的来信探讨商业化事宜。我们的强化学习库也有量化对冲基金团队在使用。 麦络：还有就是超分辨率复原有很多落地的案例，比如有某家美国上市公司用TensorLayer研发PCB复原。我们这方面的项目获得了2,000多个Star。TensorLayer的应用之所以集中在上述几个领域，其中一个原因是它在视觉和生成对抗网络方面，有很多独有或者比较好的例子。最近一年TensorLayer开始重点支持强化学习，这方面的例子也将会越来越多。 

二、通过AI框架看人工智能：

生态建设和团队合作