盘点四大民间机器学习开源框架

来源:开源中国社区 作者:两味真火
  

1. Theano

 

 


Theano 在深度学习框架中是祖师级的存在。它的开发始于 2007,早期开发者包括传奇人物 Yoshua Bengio 和 Ian Goodfellow。

Theano 基于 Python,是一个擅长处理多维数组的库(这方面它类似于 NumPy)。当与其他深度学习库结合起来,它十分适合数据探索。它为执行深度学习中大规模神经网络算法的运算所设计。其实,它可以被更好地理解为一个数学表达式的编译器:用符号式语言定义你想要的结果,该框架会对你的程序进行编译,来高效运行于 GPU 或 CPU。

它与后来出现的 Tensorflow 功能十分相似(或者应该说,Tensorflow 类似 Theano ),因而两者常常被放在一起比较。它们本身都偏底层,同样的,Theano 像是一个研究平台多过是一个深度学习库。你需要从底层开始做许多工作,来创建你需要的模型。比方说,Theano 没有神经网络的分级。

但随着这些年的发展,大量基于 Theano 的开源深度学习库被开发出来,包括 Keras, Lasagne 和 Blocks。这些更高层级的 wrapper API,能大幅减少开发时间以及过程中的麻烦。甚至,据雷锋网(公众号:雷锋网)所知,很少开发者会使用“裸奔”的 Theano,多数人需要辅助的 API。顺便说一句,Theano 是一整套生态系统,别只用它裸奔,然后抱怨不好用。

在过去的很长一段时间内,Theano 是深度学习开发与研究的行业标准。而且,由于出身学界,它最初是为学术研究而设计,这导致深度学习领域的许多学者至今仍在使用 Theano。但随着 Tensorflow 在谷歌的支持下强势崛起,Theano 日渐式微,使用的人越来越少。这过程中的标志性事件是:创始者之一的 Ian Goodfellow 放弃 Theano 转去谷歌开发 Tensorflow。

因此,资深一些的开发者往往认为,对于深度学习新手,用Theano 练练手并没有任何坏处。但对于职业开发者,还是建议用 Tensorflow。

优点:

  • Python + NumPy 的组合

  • 使用计算图

  • RNN 与计算图兼容良好

  • 有 Keras 和 Lasagne 这样高层的库

  • 不少开发者反映,它的学习门槛比Tensorflow 低

缺点:

  • 本身很底层

  • 比 Torch 臃肿

  • 不支持分布式

  • 有的错误信息没什么用

  • 大模型的编译时间有时要很久

  • 对事先训练过的模型支持不足

  • 用的人越来越少

2. Caffe

 


这又是一个祖师级的深度学习框架,2013 年就已问世。

它的全称是 “Convolution Architecture For Feature Extraction”,意为“用于特征提取的卷积架构”,很明白地体现了它的用途。Caffe 的创始人,是加州大学伯克利分校的中国籍博士生贾扬清。当时贾在伯克利计算机视觉与学习中心做研究。博士毕业后,他先后在谷歌和 Facebook 工作。

在 AI 开发者圈子中,Caffe 可以说是无人不知、无人不晓。据 GitHub 最新的机器学习项目热度排名,Caffe 仅位列 Tensorflow 之后,雄踞第二。它是一个被广泛使用的机器视觉库,把 Matlab 执行快速卷积网络的方式带到 C 和 C++。虽然 Caffe 被部分开发者看做是通用框架,但它的设计初衷是计算机视觉——并不适于其他深度学习应用,比如文字、语音识别和处理时间序列数据。

Caffe 的主要用途:利用卷积神经网络进行图像分类。这方面它代表了业内一流水平,是开发者的首选。

说到 Caffe,就不得不提 Model Zoo。后者是在 Caffe 基础上开发出的一系列模型的汇聚之地。因此,开发者使用 Caffe 最大的好处是:能在 Model Zoo 海量的、事先训练好的神经网络中,选择贴近自己使用需求的直接下载,并立刻就能用。

就雷锋网所知,这些模型中有很多是世界一流的。有很多它们的教程:

  • Alex’s CIFAR-10 tutorial with Caffe

  • Training LeNet on MNIST with Caffe

  • ImageNet with Caffe

业内人士普遍认为,Caffe 适合于以实现基础算法为主要目的的工业应用,有利于快速开发。但对于处理较特殊的任务,它存在灵活性不足的问题——为模型做调整常常需要用 C++ 和 CUDA,虽然 Python 和 Matlab 也能做些小调整。

优点:

  • 非常适合前馈神经网络和图像处理任务

  • 非常适于利用现有神经网络

  • 不写代码也能训练模型

  • Python 交互界面做得不错

缺点:

  • 需要 C++ 和 CUDA 来编写新 GPU 层级。

  • 在递归神经网络上表现不佳

  • 对于大型神经网络,它十分繁琐(GoogLeNet, ResNet)

  • 没有商业支持

3. Torch

 


相比其他开源框架,Torch 是一个非主流。

没错,说的就是它的开发语言:基于1990 年代诞生于巴西的 Lua,而非机器学习界广泛采用的 Python。其实 Lua 和Python 都属于比较容易入门的语言。但后者明显已经统治了机器学习领域,尤其在学界。而企业界的软件工程师最熟悉的是 Java,对 Lua 也比较陌生。这导致了 Torch 推广的困难。因此,虽然 Torch 功能强大,但并不是大众开发者的菜。

那么它强大在哪里?

  • 首先,Torch 非常适用于卷积神经网络。它的开发者认为,Torch 的原生交互界面比其他框架用起来更自然、更得心应手。

  • 其次,第三方的扩展工具包提供了丰富的递归神经网络( RNN)模型。

因为这些强项,许多互联网巨头开发了定制版的 Torch,以助力他们的 AI 研究。这其中包括 Facebook、Twitter,和被谷歌招安前的 DeepMind。

与 Caffe 相比,在 Torch 里定义一个新层级比它要容易,因为你不需要写  C++ 代码。和 TensorFlow 和 Theano 比起来,Torch 的灵活度更高,因为它是命令式的;而前两者是陈述式的(declarative),你必须 declare 一个计算图。这使得在 Torch 上进行束搜索(beam search)这样的操作要比它们容易得多。

Torch 的热门应用:在增强学习领域,用卷积神经网络和代理处理图像问题。

兴趣主要在增强学习的开发者, Torch 是首选。

优点:

  • 灵活度很高

  • 高度模块化

  • 容易编写你自己的层级

  • 有很多训练好的模型

缺点:

  • 需要学  Lua

  • 通常需要自己写训练代码

  • 不适于循环神经网络

  • 没有商业支持

4. SciKit-learn

 


SciKit-learn 是老牌的开源 Python 算法框架,始于 2007 年的 Google Summer of Code 项目,最初由 David Cournapeau 开发。

它是一个简洁、高效的算法库,提供一系列的监督学习和无监督学习的算法,以用于数据挖掘和数据分析。SciKit-learn 几乎覆盖了机器学习的所有主流算法,这为其在 Python 开源世界中奠定了江湖地位。

它的算法库建立在 SciPy (Scientific Python) 之上——你必须先安装 SciPy 才能使用 SciKit-learn 。它的框架中一共包括了:

  • NumPy: 基础的多维数组包

  • SciPy: 科学计算的基础库

  • Matplotlib: 全面的 2D/3D 测绘

  • IPython: 改进的交互控制器

  • Sympy: 符号数学

  • Pandas:数据结构和分析

它命名的由来:SciPy 的扩展和模块在传统上被命名为 SciKits。而提供学习算法的模组就被命名为 scikit-learn。

它与 Python 世界另一大算法框架——TensorFlow 的主要区别是TensorFlow 更底层。而 SciKit-learn 提供了执行机器学习算法的模块化方案,很多算法模型直接就能用。

优点:

  • 经过筛选的、高质量的模型

  • 覆盖了大多数机器学习任务

  • 可扩展至较大的数据规模

  • 使用简单

缺点:

  • 灵活性低

5. MXNet

提到出身学界的开源框架,就不得不提 MXNet。不过,因为亚马逊已将其作为御用平台,因而上期的盘点(谷歌、微软、OpenAI 等巨头的七大机器学习开源项目 看这篇就够了)中已经对其作了介绍。有兴趣的读者请戳链接。


时间:2017-01-05 08:34 来源:开源中国社区 作者:两味真火 原文链接

好文,顶一下
(0)
0%
文章真差,踩一下
(0)
0%
------分隔线----------------------------


把开源带在你的身边-精美linux小纪念品
无觅相关文章插件,快速提升流量