常见深度学习框架及选用考虑
图三 常见深度学习框架
许多人准备开始进入深度学习世界时，最常问的问题就是到底要挑选哪一种框架来入门？有如(图三) 、(表格一)所示，从最大的开源社群Github上，就可找到二十种星星数超过一千的深度学习框架，包括TensorFlow、Keras、Caffe、PyTorch、CNTK、MXNet、DL4J、Theano、Torch7、Caffe2、Paddle、DSSTNE、tiny-dnn、Chainer、neon、ONNX、BigDL、DyNet、brainstorm、CoreML等，而排名第一名的TensorFlow更有近十万个星星。由此可知，深度学习非常受到大家重视，当选择深度框架时可以从好几个面向来考虑，以下将会分别介绍。
1. 程序语言
首先是开发时所使用的程序语言，如果要执行「训练」及「推论」效率好些，则可能要用C++。若要上手容易、支持性强，则要考虑Python，从(表格一)中可看出有3／4的框架都支援Python。
若习惯使用Java开发程序，那大概就只有TensorFlow、DL4J和MXNet可选了。目前有一些框架（如TensorFlow、Caffe等）底层是C++，应用层API是用Python，这类框架能取得不错的开发及执行效率。
若想改善底层效率时，还要考虑依不同硬件，学会OpenCL或Nvidia的CUDA／cuDNN等平行加速程序写法。
2. 执行平台
再来考虑的是可执行的操作系统及硬件（CPU、GPU）平台，目前大多数的框架都是在Linux CPU+GPU的环境下执行，部份有支持单机多CPU（多线程）或多GPU协同计算以加速运行时间，甚至像TensorFlow、CNTK、DL4J、MXNet等框架还有支持丛集（Cluster）运算。
许多云端服务商（Google、Amazon、Microsoft等）也是采取这类组合，方便布署开发好的应用程序。另外也有些非主流的框架（如：tiny-dnn）只支持CPU而不支持GPU，这类框架的好处就是移植性较强，但工作效率很差，较适合小型系统。
如果是用Windows的人，英特尔（Intel）及微软（Microsoft）也分别有提供BigDL及CNTK，若使用Mac系统则要考虑使用CoreML。不过最近Google的TensorFlow为了吃下所有的市场，已经可以支持Linux、Windows、Mac甚至是Android，因此成为开源排行榜第一名。
3. 模型支持
目前常见的深度学习模型包含监督型（如CNN）、时序型（如RNN／LSTM）、增强学习（如Q-Learning）、转移学习、对抗生成（GAN）等，但不是每个框架都能全部支持。
举例来说：老牌的Caffe适合做监督型学习，但对于时序型学习就不太合适，遇到对抗生成模型时就更使不上力。若不清楚那些框架可支持的模型类型，可参考(表格一)的对应网址，前往各官网了解使用上的限制。
4. 框架转换
如果遇到需要串接不同平台或框架时，则要考虑选用具有提供跨框架功能。目前有几大阵营，像Keras可支持TensorFlow、Theano、MXNet、DL4J、CNTK，而微软和脸书联盟推的ONNX可支持Caffe2、CNTK、PyTorch等，但Google的TensorFlow却不愿加入该联盟。
另外，虽然框架之间可以转换，但不代表转换后的执行效率会和直接使用某个框架一样好，此时只能依实际需求来取舍是否拿弹性换取效能。
5. 社群支援
最后要考虑选用的框架社群是否活跃，是否很久没有维护（升级），甚至被预告即将淘汰，像Theano虽然功能强大也有很多人在用，但目前确定已不再更新版本，因此建议不要再跳坑了。另外对于英文不好的朋友，选用框架的社群讨论区、文字教程、操作视频等是否有中文支持也是很重要的，以免遇到问题不知向谁求救。
表格一 深度学习框架比较表
总结
对于新手来说，目前用Python＋Keras＋TensorFlow是最多人的选择，网络上也可取得最多资源（包含中文），可支持的操作系统、硬件平台、模型以及数学函式库也是最丰富的。特色是弹性大，相对容易开发，也是最容易布署在云端的解决方案。
但这样的组合并非完全没有缺点，例如CNTK的执行效率相较于MXNet略差，而Python需占用较多内存，不利于布署在本地端（或嵌入式系统）进行边缘计算，因此如何选择合适的框架，有赖于大家多花点心思了。
作者：许哲豪
