学界|盘点四大民间机器学习开源框架:Theano、Caffe、Torch 和 SciKit-learn

在上期的《谷歌、微软、OpenAI等巨头七大机器学习开源项目 看这篇就够了》这篇文章里,我们盘点了 TensorFlow,CNTK,SystemML,DeepMind Lab 等各大互联网巨头的开源平台。本期,AI科技评论将带领大家来看看诞生于民间(学界)的另外四大开源项目。

| 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

| 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AI科技评论所知,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。

在循环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

| 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

| 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

| 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等巨头七大机器学习开源项目 看这篇就够了》一文中已经对其作了介绍。敢兴趣的读者请戳链接。

原文发布于微信公众号 - AI科技评论(aitechtalk)

原文发表时间:2017-01-03

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏奇点大数据

DeepMind 发布新架构:让AI 边玩游戏边强化学习

本文出自:雷锋网(leiphone-sz) 论文标题:IMPALA: Scalable Distributed Deep-RL with Importance ...

3605
来自专栏AI科技评论

腾讯知文团队负责人钟黎:从 0 到1 打造下一代智能对话引擎 | CCF-GAIR 2018

AI 科技评论按:2018 全球人工智能与机器人峰会(CCF-GAIR)在深圳召开,峰会由中国计算机学会(CCF)主办,由雷锋网、香港中文大学(深圳)承办,得到...

1663
来自专栏PPV课数据科学社区

【微报告】校园行(上)之社交大数据概念理解及应用案例

一、大数据 1、大数据时代 随着智能手机的普及,网民参与互联网产品和使用各种手机应用的程度越来越深,用户的行为、 位置、 甚至身体生理等每一点变化都成为了可被...

36112
来自专栏人工智能头条

写给大家看的机器学习书【Part1】

2563
来自专栏QQ大数据团队的专栏

用户增长分析——用户流失预警

1 前言 针对用户增长分析这个课题,本文主要从用户防流失的角度,阐述如何基于QQ社交网络数据构建用户流失预警模型,找出高潜流失用户,用于定向开展运营激活,从而...

7.2K3
来自专栏ThoughtWorks

建立属于你的智能客服 | 洞见

背景 很多人问,对话式交互系统就是语音交互么?当然不是。语音交互本身真的算不上新概念,大家可能都给银行打过电话,“普通话服务请按1,英文服务请按2……返回上一层...

3227
来自专栏智能算法

推荐算法概览

原文:Overview of Recommender Algorithms 作者: MAYA.HRISTAKEVA 译者: 孙薇 推荐算法概览(一) 为推...

4357
来自专栏达观数据

编译 | 人工智能与大数据开发的 12个注意点

选自《智能Web算法》(第二版) 达观数据编译 ? 机器学习是人工智能研究领域的重要方向,在大数据时代里,对数据采集、挖掘、应用的技术越来越受到瞩目,并越来越...

3227
来自专栏CSDN技术头条

在人工智能和大数据产品的开发中,有哪些需要特别注意的点?

人工智能是近年来科技发展的重要方向,大数据的采集、挖掘、应用的技术越来越受到瞩目。在人工智能和大数据产品的开发过程中,有哪些特别需要注意的要点?人工智能领域的算...

1937
来自专栏AI科技评论

葛笑雨:应用于智能体(Agent)的空间物理定性推理技术

近年来人工智能技术突飞猛进,越来越多的机器人正在走进我们的世界。与人类一样,机器人在执行日常任务时往往需要具备一定的空间物理推理能力。具备这种能力不仅使机器人可...

1331

扫码关注云+社区

领取腾讯云代金券