隨著深度學習關注度和勢頭上升，深度學習被越來越多的企業(yè)和組織的生產(chǎn)實踐結合起來。這時，無論是對于深度學習相關專業(yè)的初學者，還是已經(jīng)在企業(yè)和組織中從事工業(yè)場景應用和研發(fā)的開發(fā)者來說，選擇一個適合自己，適合業(yè)務場景需求的深度學習框架顯得尤為重要。

對于不同學習階段和不同崗位的開發(fā)者來說，什么樣的深度學習框架才是適合自己的呢？為此，AI 前線邀請了來自BAT的深度學習框架專家解答這個疑問。

以下是選擇深度學習框架時常見的幾個問題：

目前，國內(nèi)外有哪些主流的深度學習框架？分別有什么優(yōu)缺點？

TensorFlow：谷歌大廠出品，社區(qū)資源豐富，用戶群體廣泛。如果你的業(yè)務是實現(xiàn)一個比較成熟的應用場景，選擇 TensorFlow 是個不錯的選擇，畢竟大部分坑前人已經(jīng)踩過了。如果你還是一名初學者，想要去實現(xiàn)全新的算法，那要慎重選擇 TensorFlow，因其發(fā)展時間較久，代碼庫龐大，想要真正看懂它的代碼會是一個不小的挑戰(zhàn)。

PaddlePaddle：百度出品，跟 TF 類似，PaddlePaddle 也是在百度內(nèi)部實際應用的工業(yè)框架。值得一提的是，PaddlePaddle 為大量工業(yè)級模型提供官方支持；大規(guī)模分布式訓練技術能力強，支持大規(guī)模稠密參數(shù)和稀疏參數(shù)場景的并行訓練；基于其中文文檔友好、簡單易上手的特點，社區(qū)活躍度不斷提高。本土開發(fā)者中文交流非常方便。

PaddlePaddle 已經(jīng)升級為全面的深度學習開發(fā)套件，除了核心框架，還開放了 VisualDL、PARL、AutoDL、EasyDL、AI Studio 等一整套的深度學習工具組件和服務平臺，更好地滿足不同層次的深度學習開發(fā)者的開發(fā)需求。18 年百度加大了生態(tài)投入，在工業(yè)制造、農(nóng)林領域有不少案例，對于想要落地應用場景，特別是針對中文語言處理的場景和大規(guī)模推薦場景，PaddlePaddle 或許是個不錯的選擇。

PyTorch＋Caffe2：臉書出品。PyTorch 前身是 Torch（一個基于 Lua 語言的深度學習庫）。PyTorch 靈活性相比 TensorFlow 大大增強，支持動態(tài)構圖，開發(fā)者可以隨時改變神經(jīng)網(wǎng)絡的結構。PyTorch 今年因其易用性表現(xiàn)突出，越來越受到學術界的青睞。

如果你是一名初學者，想要去復現(xiàn)前沿的算法，推薦使用 PyTorch。如果你是工業(yè)場景開發(fā)者，最好先搜一搜是否已經(jīng)有使用 PyTorch 的成功落地案例。因為在運算效率、工業(yè)部署上，PyTorch 還不算成熟。Caffe2 為生產(chǎn)環(huán)境設計，提供在各種平臺（包括移動設備）的運行時。Caffe2 意在彌補 Pytorch 在生產(chǎn)環(huán)境的不足，目前還沒有看到太多開發(fā)者反饋 Caffe2 的工業(yè)表現(xiàn)，需要更多時間驗證。

MxNet：已被亞馬遜 (Amazon) 選為 AWS 上的深度學習框架，支持動態(tài)圖計算。優(yōu)勢是高效小巧，更適合自定義需求高的公司和研究者。如果你的工作需要對框架進行修改時，改 MxNet 要比改 TF 高效多了。MXNet 的用戶相比其他框架并不算太多，有少量擁戴者。MXNet 在文檔質(zhì)量方便經(jīng)常被詬病，新手還需要多磨合一下。

Keras：是一個用于快速構建深度學習原型的高層神經(jīng)網(wǎng)絡庫，Keras 由純 Python 編寫而成，并基于 Tensorflow、Theano 以及 CNTK 后端。Keras 隱藏了大部分的內(nèi)部運算，對于新手來說非常友好。如果想要快速入門，建議可以選擇 Keras。但真的想成為深度學習大拿，還是要手動從零開始寫一個神經(jīng)網(wǎng)絡的代碼，否則容易依賴于 Keras 的易使用性而忽略底層原理。

XDL：阿里出品。X-Deep Learning (XDL) 是針對特定工業(yè)級場景（比如廣告）深度學習問題的解決方案，而不是與其他框架并列的底層框架。實際上，XDL 采用橋接的方式支持使用 TensorFlow 和 MXNet 作為單節(jié)點的計算后端。對于已經(jīng)使用 TensorFlow、MXNet 的開發(fā)者來說，如果需要在大規(guī)模稀疏場景應用可以選擇 XDL 試試， XDL 依賴于阿里提供特定的部署環(huán)境，對非阿里系用戶不是很人性化。

不同學習階段、不同崗位的開發(fā)者，面對不同的業(yè)務場景需求應該選擇什么深度學習框架？選擇和衡量的標準是什么？

不同類型的用戶，選擇和衡量的標準會有一定差異。選擇框架通常要考慮易用性、性能、社區(qū)、平臺支持等問題。初學者應該考慮容易上手的框架。偏研究性的開發(fā)者，一般選擇易用而且有領先的模型基線的框架。偏工業(yè)應用的開發(fā)者可以考慮使用穩(wěn)定性高、性能好的框架。比較高階的用戶，往往需要同時掌握多個框架。

最新的開源算法可能會基于某個框架，掌握多個框架可以更快復現(xiàn)前沿成果。同時不同框架在不同模型上有性能差異，掌握多個框架也可以選擇在某個場景下最適合的框架。

在選擇深度學習框架時有哪些經(jīng)驗可以分享？需要考慮哪些因素？

開發(fā)者通常用深度學習框架組建網(wǎng)絡，去解決實際企業(yè)級業(yè)務中的具體問題，比如：詞法分析、機器翻譯等。選擇框架時通常需要關注以下一些因素：

框架是否已經(jīng)官方支持了當前最好的算法，比如中文詞法分析任務。

框架是否高效。同樣的算法用不同框架實現(xiàn)，訓練速度更快，意味著更少的線下資源，更快的迭代速度；預測速度更快，意味著實際部署時可以為企業(yè)節(jié)省大量的機器資源，也具有更高的響應速度。

框架的接口是否容易使用。

掌握一個深度學習框架，開發(fā)者需要做哪些準備？

在開發(fā)者已經(jīng)學習 Python 程序開發(fā)和深度學習基礎知識的前提下，掌握一個深度學習框架，開發(fā)者需要了解框架的基本原理，學習并掌握框架的基本概念和用法。

通常可以先從官方文檔開始，通過大致瀏覽官方文檔對框架基本概念和用法有一個大致的了解。

另外可以結合官方提供的快速入門例子，在自己的機器上安裝并練習使用。

然后可以再從官方的模型庫里面挑選一些算法，進行學習參考。

結合自己具體任務組建網(wǎng)絡，查看 API 接口文檔，解決實際任務。

深度學習框架能“包治百病”嗎？是否適用于所有應用場景需求？

需要提醒大家的是，深度學習框架不能包至百病，深度學習框架能夠解決的是適合使用深度學習技術的應用場景。

深度學習（DL）是機器學習（ML）的一個分支，也是當下最流行的機器學習方法，雖然近幾年在圖像、語音、自然語言處理等應用方向，深度學習技術都取得了突破性的進展，但是我們依然不應該神話深度學習，認為深度學習無所不能。

適合掌握深度學習的任務應具備這樣一些特點：

具備大量樣本數(shù)據(jù)。如果樣本數(shù)據(jù)難以獲取或者數(shù)量太少，我們認為就不適合深度學習技術解決

樣本數(shù)據(jù)對場景的覆蓋度足夠完善。深度學習模型的效果完全依賴樣本數(shù)據(jù)表現(xiàn)，如果出現(xiàn)樣本數(shù)據(jù)外的情況，模型的推廣性會變差

結果對可解釋性的要求不高。如果應用場景不僅要機器能夠完成某項任務，還需對完成過程有明確的可解釋性，這樣的場景就不那么適合深度學習。

中國的深度學習框架有哪些不同于歐美國家主流深度學習開發(fā)框架的特點和創(chuàng)新？

從深度學習框架的特點來講，中國和歐美的的區(qū)分未必是一個合適的分類方式。很多中國深度學習框架研發(fā)的主體是中國工程師，也是在中國公司成長起來的，自然對國內(nèi)的實際應用特點把握得會更精準，而且在中文文檔、中文教程以及中文模型配套上是獨具特色的。

未來，框架發(fā)展會出現(xiàn)哪些趨勢？

首先，當前仍處于深度學習研究和應用的持續(xù)火熱期，深度學習框架及平臺在研究界和工業(yè)界的需求仍持續(xù)增長。深度學習框架和平臺在產(chǎn)業(yè)界的市場占有還未進入穩(wěn)定期，當然未來一段時間應該也不會出現(xiàn)完全一家獨大的壟斷局面。

一方面整體的市場需求是很大也很多樣化的，另一方面不同框架在特性及發(fā)力點上自然會有一些差異性的適配。隨著深度學習在各行各業(yè)的廣泛應用，服務能力強的、更貼近用戶需求的框架會有更大的提升機會。

過去一段時間，動態(tài)圖的靈活性、易用性展現(xiàn)出對科研人員極大的吸引力，更多框架開始支持動態(tài)圖，但需要進一步解決動態(tài)圖下的性能優(yōu)化問題。因為在工業(yè)界，訓練效率和規(guī)?；冀K是最重要的。所以，各框架取長補短趨同性比較明顯，前端易用性、計算高效性、框架穩(wěn)定性成為持續(xù)優(yōu)化方向。當然，不同框架的先天基因的特性還是非常明顯的。

此外需要注意的是，AI 專有芯片也在快速發(fā)展，框架和底層芯片的軟硬結合一體化研發(fā)也日益引起關注。AI 應用部署場景快速擴張，框架對各硬件平臺的快速部署和高效推理能力變得非常重要。整體而言，需要支持多硬件的高效計算。這也使得框架 內(nèi)部架構上傾向于更好的抽象分層，保持整體邏輯的統(tǒng)一性和異構硬件執(zhí)行的高效性。

另一方面，深度學習框架的內(nèi)涵也在延展。深度學習框架的出現(xiàn)本身就是為了深度學習研究、實驗和應用的便利性，節(jié)省了開發(fā)者很大的編程代價。但對于深度學習技術而言，網(wǎng)絡設計其實也是非常重要的一環(huán)，基礎的深度學習框架是無法解決這個問題的。所以當下 神經(jīng)網(wǎng)絡結構的自動設計 AutoDL 技術就成為新的熱點，也和深度學習框架進行更緊密的結合。

從便利深度學習技術應用來講，只靠開源框架還是不夠的，需要場景化組件、模塊、平臺和產(chǎn)品的組合打法，框架之上的平臺、配套組件構成的深度學習全流程解決方案對實際應用非常關鍵。若想深度學習框架在實際應用中發(fā)揮更大作用，是需要 更全面的綜合服務配套建設的。

如何看待接下來的框架之爭？

隨著深度學習技術的普及，各家框架的成熟化，深度學習技術的門檻會越來越低。在研究場景中，好用、靈活易擴展是最重要的考量因素，從目前的趨勢來看，PyTorch 在易用性上有一定優(yōu)勢。PaddlePaddle 在實際生產(chǎn)場景中，框架的易用性、穩(wěn)定性、生態(tài)資源的豐富度將取代技術的領先性成為開發(fā)者更重要的考量因素。

未來，擁有完整生態(tài)資源、有實際應用場景支撐的框架會爭奪到越來越多的企業(yè)開發(fā)者用戶。在國外，依賴于谷歌生態(tài)的 TensorFlow，依賴于 AWS 云生態(tài)的 MXNet，未來都有一定的機會。

想要形成自己的產(chǎn)品生態(tài)，需要哪些必備條件？

想要形成自己的產(chǎn)品生態(tài)，需要具備四大條件：

掌握能為最終用戶提供巨大收益的核心技術。如深度學習領域框架所涉及的異構計算、并行訓練、多路通信、多端部署及核心算法等關鍵技術。廠商需要擁有深度學習核心技術并形成自己的特色，才具備了生態(tài)號召力。

核心產(chǎn)品或服務能夠規(guī)模化地應用和落地。在生態(tài)拓展的過程中，廠商有能力通過平臺和資源沉淀足夠多的通用解決方案。

能為最終用戶提供全面的體驗。深度學習框架應用門檻較高，真正在企業(yè)廣泛落地，還有很多的工作要做，比如結合企業(yè)需求的深度定制優(yōu)化、深度學習配套工具建設、細致的企業(yè)服務等等，這要求廠商能夠有效整合生態(tài)系統(tǒng)中的各個伙伴能力，為最終用戶提供更全面的產(chǎn)品體驗。

擁有持續(xù)創(chuàng)新的能力。廠商應該有足夠的資金和動力讓核心技術和產(chǎn)品持續(xù)創(chuàng)新，使得生態(tài)系統(tǒng)的用戶相信核心業(yè)務能夠一直使他們受益。