2019深度学习框架排行榜 (从TOP 10到TOP 3)

不过现在，如果稍微深入了解TensorFlow和Pytorch，就会发现他们越来越像，TF加入了动态图架构，Pytorch致力于其在工业界更加易用。打开各自的官网，你也会发现文档风格也越发的相似。

PaddlePaddle

PaddlePaddle是由百度自主研发的开源深度学习平台，近期有了中文名字，飞桨。官网截图也很有意思，很多人在划桨。飞桨刚发布的时候，并不被看好，感觉更像是Google有，百度也要有的腔调，但是近来在做一个关于语义识别的项目，其他框架支持中文的模型实在是少的可怜，时间紧张也没有时间大规模训练，于是就来试试飞桨，其中基于BERT的ERNIE模型取得了较好的效果，部署也不折腾。个人认为可以将模型库中的经典模型套在自己的问题上，作为baseline模型快速试验，而后慢慢调优追求更好的效果。

从模型库找到适合自己的模型，按照实践教程一步步进行就行了，过程还是比较简单的，遇到的问题在GitHub的issues中都有找到，虽然不像TF那么活跃，但是支持也是很及时的。我是从官网找模型，发现官网又更新了，盗张图过来感受下支持的模型。

Figure 5 PaddlePaddle模型库(源：百度PaddlePaddle官网)

功能上，飞桨同时支持动态图和静态图，能方便地调试模型，方便地部署，非常适合业务应用的落地实现。飞桨也已经支持数百个节点的高效并行训练。可以说在过去2年的时间里，深度学习领域在大规模的落地应用，各家框架也都在快速的发展，但是百度的飞桨看来是这个阶段发展更快的框架，甚至是发展更快的AI开发生态。

目前，以上三个框架可以说发展比较快，并且仍在稳定更新与维护。功能上来说，各框架已经“越长越像”，三个框架还是会有各自的特点，如何选择还是要根据自己的目标来看。

下面简单介绍一下其他的一些主要框架。

Keras

Keras的出现大大降低了深度学习应用的门槛，通过Keras的API可以通过数行代码就构建一个网络模型，曾几何时，Keras+Theano，Keras+CNTK的模式深得开发者喜爱。目前Keras整套架构已经封装进了TensorFlow，在TF.keras可以完成Keras的所有事情。

Deeplearning4j

Deeplearning4j，顾名思义，它是用JAVA编写的，并且与任何JVM语言兼容，如Scala，Clojure或Kotlin，基础计算模块是用C，C++和CUDA开发的，基于此，DL4J对Spark和Hadoop生态有很好的支持，在多卡GPU上也有很好的性能。相比TF，Pytorch和飞桨，DL4J的文档和社区体系并不是很完善，而且其本身并不支持Python，而是由高层级的Keras API支持，上手难度稍大，另外其应用示例也很有限。

Mxnet

Mxnet可以说成名很早，发展一直不温不火，现在在Apache项目下孵化，当下背靠企业的TensorFlow，Pytorch和飞桨都依靠广泛的应用场景踏上了AI发展的快车道，而Mxnet缺少的可能就是大厂应用场景的落地实现。

Caffe&Caffe2

Caffe 是一个优先考虑表达、速度和模块化来设计的框架，它由贾扬清和伯克利人工智能实验室研究开发。支持 C、C++、Python等接口以及命令行接口。它以其速度和可转性以及其在卷积神经网络建模中的适用性而闻名。

使用Caffe库的好处是从深度网络存储库"Caffe 模型Zoo"访问可用网络，这些网络经过预先培训，可以立即使用。Caffe是一个曾经叱咤风云的视觉识别深度学习网络。但是，Caffe 不支持精细粒度网络层，给定体系结构，对循环网络和语言建模的总体支持相当差，必须用低级语言建立复杂的层类型，使用门槛很高。

Caffe2是由Facebook组织开发的深度学习模型，虽然使用门槛不像Caffe那样高，但仍然让不那么看重性能的开发者望而却步，很快就被并入Pytorch项目。而Caffe自2017年以来都没有再更新了，新的项目已经鲜有其身影，曾名噪一时的框架就此落幕。

Chainer

（编辑：我爱故事小小网_铜陵站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!