来源：大数据DT

作者：卢誉声

本文约2800字，建议阅读9分钟。

可以预见，深度学习在近年内都会是最流行、最有效的机器学习方法之一。

[ 导读 ]对深度学习做出巨大贡献的Yoshua Bengio，他与Yann Lecun和Geofrey Hinton等人在今年3月获得了图灵奖。近几年，深度学习技术的大爆炸式发展，除了理论方面的突破外，还有基础架构的突破，这些都奠定了深度学习繁荣发展的基础。

可以预见，深度学习不管是现在，还是在之后的一段时间内都会是最流行、最有效的机器学习方法之一。

00 深度学习的贡献

深度学习是一种思想、一种学习模式，深度神经网络是一类模型，两者在本质上是不一样的。但目前大家普遍将深度神经网络认为就是深度学习。

深度神经网络应用之前，传统的计算机视觉、语音识别方法是把特征提取和分类器设计分开来做，然后在应用时再合在一起。比如，如果输入的是一个摩托车图像的话，首先要有一个特征表达或者特征提取的过程，然后把表达出来的特征放到学习算法中进行分类学习。

因为手工设计特征需要大量的实践经验，需要对该领域和数据具有深入见解，并且在特征设计出来之后还需要大量的调试工作和一点运气。另一个难点在于，你不只需要手工设计特征，还要在此基础上有一个比较合适的分类器算法。如果想使特征设计与分类器设计两者合并且达到最优的效果，几乎是不可能完成的任务。

2012年后，深度神经网络给计算机视觉、语音识别、自然语言处理等领域带来了突破性的进展，特别是在人脸识别、机器翻译等领域应用的准确率接近甚至超过了人类的水平。深度神经网络如图1-1所示。

▲图1-1 深度神经网络示意图

深度神经网络最重要的是表示学习的能力，你把数据从一端扔进去，模型从另外一端就出来了，中间所有的特征完全可以通过学习自己来解决，而不再需要手工去设计特征了。

本文对现今和可预见的未来流行的深度学习框架进行介绍，如果你对这些框架有所了解，甚至实践过，那就再好不过了。如果你不了解这些框架或没有使用过，也不必过于担心，一起build from scratch。

01 TensorFlow

TensorFlow是一款基于Apache License 2.0协议开放源代码的软件库，用于进行高性能数值计算。借助其灵活的架构，用户可以轻松地将计算工作部署到多种平台（CPU、GPU、TPU）和设备（桌面设备、服务器集群、移动设备、边缘设备等）。

TensorFlow最初是由Google Brain团队中的研究人员和工程师开发的，可为机器学习和深度学习提供强力支持，并且其灵活的数值计算核心广泛应用于许多其他科学领域。

TensorFlow属于第2代人工智能系统，也是一个通用的机器学习框架，具有良好的灵活性和可移植性等优点。TensorFlow有非常好的伸缩性，同时支持模型并行与数据并行，可以在大规模集群上进行分布式训练。

与以Caffe为代表的第1代深度学习引擎不同，TensorFlow提供了自动微分功能，当添加新的层的时候我们无须自己计算并手写微分代码，极大地方便了网络的扩展。

此外，TensorFlow提供了非常多的语言接口，从C/C++、Python、Java甚至到现在的JavaScript，支持的语言非常广泛，因此也非常受欢迎。

接下来我们详细介绍一下TensorFlow的计算模型。

TensorFlow将完整的计算任务都抽象成一张图（graph），每个小的计算步骤是一个操作（operation），因此所有的计算任务就是一张由一个个小操作组成的图。

这样讲可能比较抽象，我们使用一个实际的TensorFlow Graph来说明这些概念，如图1-3所示。

图1-3代表了一系列的计算过程。我们先用constant操作定义一个常量，然后分成两条路，一条路先用add操作计算constant加1的结果，然后计算从外部读取一个数据ds1，和add的结果进行乘法，最后用avg操作求add和mul操作的平均值。

另一条路则是先使用mul操作将constant乘以2，然后从外部读取数据ds2，并和mul的结果做加法，然后将结果赋值给一个临时变量int_result。最后使用add操作将avg的结果和int_result相加，得到最后的结果。

▲图1-3 TensorFlow计算图示例

可以看到这个图1-3中有很多元素，比如我们将constant、add、mul称之为操作（operation）。操作是该图中的主要节点。除了操作以外还会有一些数据输入，比如ds1和ds2。我们还可以通过定义变量（variable）保存中间状态，比如int_result。

图中每一个节点负责处理一个张量（tensor）。张量是一个多维数组，表示数学里的多维向量。如果我们要处理一些平面上的散点，那么就可以将需要处理的数据看成一个二维向量（表示点的x和y），我们可以将整个数据处理过程看成Tensor在不同操作节点之间的流动（Flow），这也就是为什么该框架的名字叫作TensorFlow了。

使用TensorFlow的第一步就是将计算任务构造成一张图。但不能只描述计算过程，我们需要编写可执行的任务，因此需要创建一个会话（session）。会话的作用是建立一个执行上下文（context），所有的图都需要在会话中执行，会话会初始化并保存图中需要的变量、图的执行状态、管理执行图的设备（CPU和GPU）等。

所以我们可以看到，TensorFlow的结构很简单，只需要构建一张表示计算的图，并创建会话来执行图即可，TensorFlow帮我们隐藏了其他所有细节，因此我们可以不去关心计算的那些细枝末节。

02 TensorFlow Lite

TensorFlow是目前最完善和强大的深度学习框架，在工业界服务端深度学习领域已经是无可争辩的事实标准，但在移动平台和嵌入式领域中，TensorFlow就显得过于庞大而臃肿，而且计算速度并不能满足移动平台的要求。为了解决这个问题，Google开发了TensorFlow Lite，实现了TensorFlow到移动平台生态体系的延续。

TensorFlow Lite是一种用于设备端推断的开源深度学习框架，其目前是作为TensorFlow的一个模块发布，但我们需要知道TensorFlow Lite和TensorFlow几乎是两个独立的项目，两者之间基本没有共享代码。因此可以说TensorFlow Lite是一个完整而且独立的前向计算引擎框架。

使用TensorFlow Lite需要单独训练一些适用于移动平台的轻量级模型，减少参数数量，提升计算速度。与此同时，TensorFlow Lite还提供了模型转换工具，用于将TensorFlow的模型直接转换为TensorFlow Lite的模型，而且可以实现模型的压缩存储，还能实现模型参数的量化。这样就可以实现在服务器的TensorFlow上训练，在移动平台应用的场景。

此外，TesnorFlow Lite需要我们将其转换后的tflite文件打包到App或者目标存储设备中。TensorFlow Lite启动时会将其加载到移动设备或嵌入式设备中。

最后，TesnorFlow Lite对移动平台的前向计算进行了优化，可以加速浮点数运算，进行半精度浮点数运算，以及8位整数的量化计算，甚至可以通过代理方式在GPU上或者Android的NNAPI上调用。

03 MXNet

Apache MXNet是一个深度学习框架，主要目标是确保深度学习框架的灵活性与执行效率。它允许你混合符号和命令式编程，以最大限度地提高效率和生产力。

MXNet的核心是一个动态依赖调度程序，可以动态地自动并行化符号和命令操作。最重要的图形优化层使符号执行更快，内存效率更高。MXNet便携且轻巧，可有效扩展到多个GPU和多台机器。

MXNet支持命令式和符号式两种编程模式，简单、易于上手，同时支持在多端运行，包括多CPU、多GPU、集群、服务器、工作站，甚至移动智能手机。和其他框架一样，MXNet也支持多语言接口，包括C++、Python、R、Scala、Julia、Matlab和JavaScript。

最后MXNet可以非常方便地部署到云端，包括Amazon S3、HDFS和Azure。不过这里值得一提的是，MXNet很好地支持了AWS SageMaker，能够借助一系列工具有针对性地（计算平台、体系结构、网络等）进行模型优化，并非常直接地在Core ML移动平台引擎上使用。

04 PyTorch

PyTorch是这里最年轻的深度学习框架，也是最近发展最为迅猛的研究用深度学习框架，因为其上手简单、灵活强大，如今Caffe2也正式并入PyTorch。使用PyTorch可以非常快速地验证研究思路而为广大研究人员喜爱。

PyTorch是一个以C/C++为核心实现，以Python为胶水语言，编写调用接口的框架。与TensorFlow一样，PyTorch利用Autograd模块自动计算导数，避免了复杂的手动求导。因此PyTorch非常适合深度学习。

编辑：黄继彦