TensorFlow、MXNet、CNTK、Theano四個(gè)框架對(duì)比分析

　　本文通過五個(gè)任務(wù)分別測(cè)試了 MLP、CNN 和 RNN 模型，機(jī)器之心不僅對(duì)該試驗(yàn)進(jìn)行了介紹，同時(shí)還使用 Keras（TensorFlow 后端）在 MNIST 數(shù)據(jù)集上試運(yùn)行了 CNN。

　　如果我們對(duì) Keras 在數(shù)據(jù)科學(xué)和深度學(xué)習(xí)方面的流行還有疑問，那么考慮一下所有的主流云平臺(tái)和深度學(xué)習(xí)框架的支持情況就能發(fā)現(xiàn)它的強(qiáng)大之處。目前，Keras 官方版已經(jīng)支持谷歌的 TensorFlow、微軟的 CNTK、蒙特利爾大學(xué)的 Theano，此外，AWS 去年就宣布 Keras 將支持 Apache MXNet，上個(gè)月發(fā)布的 MXNet 0.11 就新增 Core ML 和 Keras v1.2 的支持。不過到目前為止 MXNet 好像只支持 Keras v1.2.2 而不是最新版 2.0.5。

　　盡管我們可以使用任何 Keras 所支持的后端部署模型，但開發(fā)者和方案架構(gòu)師應(yīng)該了解 Keras 作為各深度學(xué)習(xí)庫(kù)的高級(jí) API，其本質(zhì)上是不支持各個(gè)庫(kù)所提供的全部基本參數(shù)微調(diào)。因此如果我們想要精細(xì)調(diào)整后端框架所提供的所有參數(shù)，那么我們最好直接使用深度學(xué)習(xí)框架而不是使用 Keras。當(dāng)然這個(gè)情況會(huì)隨著各種工具添加到 Keras 和深度學(xué)習(xí)框架中而得到改善，但現(xiàn)在 Keras 仍是一個(gè)十分優(yōu)秀的工具，它能極好地適應(yīng)于深度學(xué)習(xí)開發(fā)的早期階段，并且為數(shù)據(jù)科學(xué)家和算法工程師快速構(gòu)建與測(cè)試復(fù)雜的深度學(xué)習(xí)模型提供了強(qiáng)大的工具。

　　機(jī)器之心也嘗試使用 TensorFlow 作為后端測(cè)試了 Keras，我們發(fā)現(xiàn)整個(gè)模型的搭建非常簡(jiǎn)潔，連入門者都能輕松讀懂整個(gè)網(wǎng)絡(luò)的架構(gòu)。相比于直接使用 TensorFlow 搭建卷積神經(jīng)網(wǎng)絡(luò)，將 Keras 作為高級(jí) API，并使用 TensorFlow 作為后端要簡(jiǎn)單地多。后面我們將會(huì)把 Keras 實(shí)現(xiàn) CNN 的代碼與注釋上傳至 機(jī)器之心 GitHub 項(xiàng)目 中，下圖是我們使用 TensorFlow 作為后端初始化訓(xùn)練的情況：

　　以下是整個(gè)卷積網(wǎng)絡(luò)的架構(gòu)：

　　上面的代碼清晰地定義了整個(gè)網(wǎng)絡(luò)疊加所使用的層級(jí)。SequenTIal 代表序貫?zāi)Ｐ?，即多個(gè)網(wǎng)絡(luò)層的線性堆疊。在建立序貫?zāi)Ｐ秃螅覀兛梢詮妮斎雽娱_始依次添加不同的層級(jí)以實(shí)現(xiàn)整個(gè)網(wǎng)絡(luò)的構(gòu)建。上面的架構(gòu)首先使用的是 2 維卷積層 Conv2D，卷積核大小為 3*3，激活函數(shù)為 ReLU，其中第一個(gè)參數(shù) 32 代表卷積核數(shù)目。此外，該卷積網(wǎng)絡(luò)還使用了最大池化層 MaxPooling2D，pool_size=（2，2） 為兩個(gè)方向（豎直，水平）上的下采樣因子;Dropout 層，以 0.25 的概率在每次更新參數(shù)時(shí)隨機(jī)斷開輸入的神經(jīng)元;Dense 層，即全連接層;還有 Flatten 層，即將輸入「壓平」，也就是把多維的輸入一維化，常用在從卷積層到全連接層的過渡。以上是該架構(gòu)的基本層級(jí)，更詳細(xì)的代碼及注釋請(qǐng)查看機(jī)器之心 GitHub 項(xiàng)目。

　　下面是 Jasmeet BhaTIa 測(cè)評(píng)的具體情況。

　　Keras 后端框架性能測(cè)試

　　Keras 還能使開發(fā)人員快速測(cè)試使用不同深度學(xué)習(xí)框架作為 Keras 后端的相對(duì)性能。Keras 配置文件中有一個(gè)參數(shù)決定了使用哪一個(gè)深度學(xué)習(xí)框架作為后端，因此我們可以構(gòu)建一個(gè)相同的模型在不同的深度學(xué)習(xí)框架（如 TensorFlow、CNTK、Theano）上直接運(yùn)行。而對(duì)于 MXNet 來說，由于目前只支持 Keras ver1.2.2，所以我們需要對(duì)代碼做一點(diǎn)點(diǎn)修改就行。當(dāng)然這個(gè)模型可以根據(jù)各個(gè)深度學(xué)習(xí)框架中的不同庫(kù)而進(jìn)行微調(diào)以實(shí)現(xiàn)更好的性能，不過 Keras 仍然提供了很好的機(jī)會(huì)來比較這些基本庫(kù)之間的性能。

　　早先已經(jīng)有一些文章比較了 Keras 所支持后端框架的相對(duì)性能，但是對(duì)比的時(shí)間都比較早，且主要是以 TensorFlow 和 Theano 作為后端的對(duì)比。因此本文根據(jù) Keras 和深度學(xué)習(xí)框架的最新版本在更大的范圍內(nèi)做了一次對(duì)比。

　　我們首先了解一下用于測(cè)試的配置。所有的性能測(cè)試都在 Azure NC6 VM 上使用 Nvidia Tesla K80 GPU 執(zhí)行，使用的 VM 鏡像是 Ubuntu 上的 Azure DSVM（數(shù)據(jù)科學(xué)虛擬機(jī)）。除了其他數(shù)據(jù)科學(xué)工具，我們還預(yù)安裝了 Keras、TensorFlow、Theano 和 MXNet。對(duì)于測(cè)試來說，所有的軟件包都是用的最新版，但因?yàn)?MXNet 只支持 Keras 1.2.2，所以其使用的舊版。

　　因?yàn)槊恳粋€(gè)深度學(xué)習(xí)框架的依賴項(xiàng)不同，我們的測(cè)試在下面三種配置中運(yùn)行：

　　為了比較 DL 框架不同的性能，我們?nèi)缦滤鍪褂昧?5 種不同的測(cè)試模型。為了確保沒有特定的框架得到任何特定的處理，所有模型都來自 GitHub Keras/examples 倉(cāng)庫(kù)中所維護(hù)的。

　　模型源代碼地址：https://github.com/fchollet/keras/tree/master/examples

　　測(cè)試的代碼可以在作者的 GitHub 項(xiàng)目中找到：https://github.com/jasmeetsb/deep-learning- keras-projects

　　注意：有兩個(gè)測(cè)試 MXNet 并沒有參與，因?yàn)?MXNet 并不支持最新版的 Keras，且 MXNet 作為后端運(yùn)行該模型需要調(diào)整大量代碼。在其他三個(gè)測(cè)試中以 MXNet 作為后端也需要進(jìn)行一些細(xì)微的調(diào)整，主要是新版本的 Keras 重命名了一些函數(shù)。

　　測(cè)試一：CIFAR-10 & CNN

　　學(xué)習(xí)模型的類型：卷積神經(jīng)網(wǎng)絡(luò)（CNN）

　　數(shù)據(jù)集/任務(wù)：CIFAR-10 小圖片數(shù)據(jù)集

　　目標(biāo)：將圖片分類為 10 個(gè)類別

　　根據(jù)每一個(gè) epoch 的訓(xùn)練速度，TensorFlow 要比 MXNet 快那么一點(diǎn)點(diǎn)。

　　而按照準(zhǔn)確度/收斂速度來說，CNTK 在前 25 個(gè) epoch 中領(lǐng)先一點(diǎn)，而在 50 個(gè) epoch 后，其他框架都到達(dá)相近的準(zhǔn)確度，而 CNTK 卻略微下降。

　　測(cè)試二：MNIST & CNN

　　學(xué)習(xí)模型的類型：CNN

　　數(shù)據(jù)集/任務(wù)：MNIST 手寫數(shù)字?jǐn)?shù)據(jù)集

　　目標(biāo)：將圖片分類為 10 類手寫數(shù)字

　　在該測(cè)試中，TensorFlow 明顯要在訓(xùn)練時(shí)間上更加優(yōu)秀，但在準(zhǔn)確度/收斂速度上所有框架都有相似的特征。

　　測(cè)試三：MNIST&MLP

　　學(xué)習(xí)模型的類型：多層感知機(jī)/深度神經(jīng)網(wǎng)絡(luò)

　　數(shù)據(jù)集/任務(wù)：MNIST 手寫數(shù)字?jǐn)?shù)據(jù)集

　　目標(biāo)：將圖片分類為 10 類手寫數(shù)字

　　在使用 MNIST 數(shù)據(jù)集執(zhí)行標(biāo)準(zhǔn)的神經(jīng)網(wǎng)絡(luò)測(cè)試中，CNTK、TensorFlow 和 Theano 實(shí)現(xiàn)了相似的分?jǐn)?shù)（2.5 – 2.7 s/epoch），而 MXNet 卻只需要 1.4s/epoch。此外，MXNet 同樣在準(zhǔn)確度/收斂速度上有一點(diǎn)點(diǎn)優(yōu)勢(shì)。

　　測(cè)試四：MNIST&RNN

　　學(xué)習(xí)模型的類型：層級(jí)循環(huán)神經(jīng)網(wǎng)絡(luò)（HRNN）

　　數(shù)據(jù)集/任務(wù)：MNIST 手寫數(shù)字?jǐn)?shù)據(jù)集

　　目標(biāo)：將圖片分類為 10 類手寫數(shù)字

　　在訓(xùn)練時(shí)間上，CNTK 和 MXNet 有相似的性能（162 – 164 s/epoch），TensorFlow 的時(shí)間為 179s/epoch，而 Theano 所需的時(shí)間則顯著地增多。

　　測(cè)試五：BABI & RNN

　　學(xué)習(xí)模型的類型：循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）

　　數(shù)據(jù)集/任務(wù)：bAbi Project （https://research.fb.com/downloads/babi/）

　　目標(biāo)：分別根據(jù)故事（story）和問題訓(xùn)練兩個(gè)循環(huán)神經(jīng)網(wǎng)絡(luò)，致使合并的向量可以回答一系列 bAbi 任務(wù)。

　　該測(cè)試并沒有使用 MXNet，TensorFlow 和 Theano 在每一個(gè) epoch 上要比 CNTK 要快了一倍多。

　　TensorFlow 在 CNN 測(cè)試中表現(xiàn)都是最好的，但是在 RNN 測(cè)試中表現(xiàn)并不太好。

　　CNTK 在 Babi RNN 和 MNIST RNN 測(cè)試上要比 TensorFlow 和 Theano 好得多，但是在 CNN 測(cè)試上要比 TensorFlow 差一些。

　　MXNet 在 RNN 測(cè)試上要比 CNTK 和 TensorFlow 要好一點(diǎn)，此外它在 MLP 上要比所有框架的性能都要好。不過 MXNet 并不支持 Keras v2 函數(shù)，所以我們并不能在沒有修正代碼的情況下直接測(cè)試，因此可能會(huì)有一點(diǎn)偏差。

　　Theano 在深度神經(jīng)網(wǎng)絡(luò)（MLP）中要比 TensorFlow 和 CNTK 好一點(diǎn)。

　　從上面的結(jié)果可以看出來，所有的深度學(xué)習(xí)框架都有其擅長(zhǎng)的領(lǐng)域，并沒有哪個(gè)框架一定要比其他框架好。CNTK 可作為 Keras 后端并用于 RNN 的使用案例，TensorFlow 可用于 CNN，而 MXNet 雖然顯示了性能上非常大的潛力，但仍然還是讓人期待其支持所有 Keras 函數(shù)的時(shí)候。在開源社區(qū)中，這些框架都在不斷擴(kuò)展與增強(qiáng)，從而提供更好的性能并輕松地部署到產(chǎn)品中。在考慮使用這些深度學(xué)習(xí)框架投入生產(chǎn)時(shí)，性能是首要的。在大多數(shù)情況下，我們還需要考慮部署的難易度和其他輔助工具，它們都將幫助我們管理產(chǎn)品化的機(jī)器學(xué)習(xí)模型。最后，所有的框架性能都是在作為 Keras 后端時(shí)測(cè)評(píng)的，所以會(huì)有一點(diǎn)誤差，不過本文至少可以幫助大家對(duì)這些框架的性能有一定了解。