Keras和PyTorch變得極為流行，主要原因是它們比TensorFlow更容易使用。本文對比了Keras和PyTorch四個方面的不同，讀者可以針對自己的任務(wù)來選擇。

對于許多科學(xué)家、工程師和開發(fā)人員來說，TensorFlow是他們的第一個深度學(xué)習(xí)框架。但indus.ai公司機(jī)器學(xué)習(xí)工程師George Seif認(rèn)為，TF并不是非常的用戶友好。

相比TF，Seif認(rèn)為Keras和PyTorch比TensorFlow更易用，已經(jīng)獲得了巨大的普及。

Keras本身不是框架，而是一個位于其他Deep Learning框架之上的高級API。目前它支持TensorFlow，Theano和CNTK。Keras是迄今為止啟動和運行最快最簡單的框架。定義神經(jīng)網(wǎng)絡(luò)是直觀的，使用功能性API允許人們將層定義為函數(shù)。

而PyTorch像Keras一樣，它也抽象了深度網(wǎng)絡(luò)編程的大部分混亂部分。PyTorch介于Keras和TensorFlow之間，比Keras擁有更靈活、更好的控制力，與此同時用戶又不必做任何瘋狂的聲明式編程。

深度學(xué)習(xí)練習(xí)者整天都在爭論應(yīng)該使用哪個框架。接下來我們將通過4個不同方面，來對比Keras和PyTorch，最終初學(xué)者會明白應(yīng)該選誰。

用于定義模型的類與函數(shù)

Keras提供功能性API來定義深度學(xué)習(xí)模型。神經(jīng)網(wǎng)絡(luò)被定義為一組順序函數(shù)，功能定義層1的輸出是功能定義層2的輸入，例如下面demo代碼：

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)

而PyTorch將網(wǎng)絡(luò)設(shè)置為一個類，擴(kuò)展了Torch庫中的torch.nn.Module，PyTorch允許用戶訪問所有Python的類功能而不是簡單的函數(shù)調(diào)用。與Keras類似，PyTorch提供了層作為構(gòu)建塊，但由于它們位于Python類中，因此它們在類的__init __（）方法中引用，并由類的forward（）方法執(zhí)行。例如下面demo代碼：

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 xmodel = Net()

所以如果你想更清晰、更優(yōu)雅地定義網(wǎng)絡(luò)，可以選擇PyTorch；如果只是求快好上手，可以選擇Keras。

張量、計算圖與標(biāo)準(zhǔn)陣列

Keras API隱藏了編碼器的許多混亂細(xì)節(jié)。定義網(wǎng)絡(luò)層非常直觀，默認(rèn)設(shè)置已經(jīng)足以應(yīng)付大部分情況，不需要涉及到非常底層的內(nèi)容。

而當(dāng)你真正觸達(dá)到更底層的TensorFlow代碼時，同時你也獲得了隨之而來的最具有挑戰(zhàn)性的部分：你需要確保所有矩陣乘法都排成一行。哦對了，甚至別指望打印出圖層的一個輸出，因為你只會在終端上打印出一個漂亮的Tensor定義。

相比起來，PyTorch在這些方面就做的更讓人欣慰一些。你需要知道每個層的輸入和輸出大小，但這很快就能掌握。同時你也不必處理構(gòu)建一個無法在調(diào)試中看到的抽象計算圖。

PyTorch的另一個優(yōu)勢是可以在Torch Tensors和Numpy陣列之間來回切換。而反觀TF，如果需要實現(xiàn)自定義的東西，在TF張量和Numpy陣列之間來回轉(zhuǎn)換可能會很麻煩，需要開發(fā)人員對TensorFlow會話有充分的了解。

PyTorch上這種操作實際上要簡單得多。你只需要知道兩個操作：一個將Torch Tensor（一個Variable對象）切換到Numpy，另一個反過來。

當(dāng)然，如果不需要實現(xiàn)任何花哨的東西，那么Keras會做得很好，因為你不會遇到任何TensorFlow路障。

訓(xùn)練模型

在Keras上訓(xùn)練模型非常容易！一個簡單的.fit（）走四方。下面是demo代碼：

history = model.fit_generator( generator=train_generator, epochs=10, validation_data=validation_generator)

但在PyTorch中訓(xùn)練模型就費點事了，包括幾個步驟：

在每批訓(xùn)練開始時初始化梯度

運行正向傳遞模式

運行向后傳遞

計算損失并更新權(quán)重

for epoch in range(2): # loop over the dataset multiple times running_loss = 0.0 for i, data in enumerate(trainloader, 0): # Get the inputs; data is a list of [inputs, labels] inputs, labels = data # (1) Initialise gradients optimizer.zero_grad() # (2) Forward pass outputs = net(inputs) loss = criterion(outputs, labels) # (3) Backward loss.backward() # (4) Compute the loss and update the weights optimizer.step()

你看看，就運行個訓(xùn)練就得這么多步驟！

我想這樣你總能意識到發(fā)生了什么。同時，由于這些模型訓(xùn)練步驟在訓(xùn)練不同模型時基本保持不變，因此非常不必要。

控制CPU與GPU模式

如果安裝了tensorflow-gpu，默認(rèn)情況下在Keras中啟用并完成使用GPU。然后，如果希望將某些操作移動到CPU，則可以使用單行操作。

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

在PyTorch就得費點勁，你必須為每個Torch張量和numpy變量明確啟用GPU。如果在CPU和GPU之間來回切換以進(jìn)行不同的操作，就會使代碼變得混亂并且容易出錯。

例如，要將我們以前的模型轉(zhuǎn)移到GPU上運行，我們必須執(zhí)行以下操作：

# Get the GPU devicedevice = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")# Transfer the network to GPUnet.to(device)# Transfer the inputs and labels to GPUinputs, labels = data[0].to(device), data[1].to(device)

在GPU這塊，Keras憑借其簡潔和漂亮的默認(rèn)設(shè)置贏得了勝利。

選擇框架的建議

Seif通常給出的建議是從Keras開始，畢竟又快、又簡單、又好用！你甚至可以執(zhí)行自定義圖層和損失函數(shù)的操作，而無需觸及任何一行TensorFlow。

但如果你確實開始深入了解深層網(wǎng)絡(luò)中更細(xì)粒度的方面，或者正在實現(xiàn)非標(biāo)準(zhǔn)的東西，那么PyTorch就是首選庫。