对于许多科学家、工程师和开发人员来说，TensorFlow是他们的第一个深度学习框架。但indus.ai公司机器学习工程师George Seif认为，TF并不是非常的用户友好。相比TF，Seif认为Keras和PyTorch比TensorFlow更易用，已经获得了巨大的普及。

Keras本身不是框架，而是一个位于其他Deep Learning框架之上的高级API。目前它支持TensorFlow，Theano和CNTK。Keras是迄今为止启动和运行最快最简单的框架。定义神经网络是直观的，使用功能性API允许人们将层定义为函数。

而PyTorch像Keras一样，它也抽象了深度网络编程的大部分混乱部分。PyTorch介于Keras和TensorFlow之间，比Keras拥有更灵活、更好的控制力，与此同时用户又不必做任何疯狂的声明式编程。

深度学习练习者整天都在争论应该使用哪个框架。接下来我们将通过4个不同方面，来对比Keras和PyTorch，最终初学者会明白应该选谁。

用于定义模型的类与函数

Keras提供功能性API来定义深度学习模型。神经网络被定义为一组顺序函数，功能定义层1的输出是功能定义层2的输入，例如下面demo代码：

img_input = layers.Input(shape=input_shape)

x = layers.Conv2D(64, (3, 3), activation='relu')(img_input)
x = layers.Conv2D(64, (3, 3), activation='relu')(x)
x = layers.MaxPooling2D((2, 2), strides=(2, 2))(x)

而PyTorch将网络设置为一个类，扩展了Torch库中的torch.nn.Module，PyTorch允许用户访问所有Python的类功能而不是简单的函数调用。与Keras类似，PyTorch提供了层作为构建块，但由于它们位于Python类中，因此它们在类的__init __（）方法中引用，并由类的forward（）方法执行。例如下面demo代码：

class Net(nn.Module):

   def __init__(self):
       super(Net, self).__init__()
       self.conv1 = nn.Conv2d(3, 64, 3)
       self.conv2 = nn.Conv2d(64, 64, 3)
       self.pool = nn.MaxPool2d(2, 2)
   def forward(self, x):
       x = F.relu(self.conv1(x))
       x = self.pool(F.relu(self.conv2(x)))
       return x
model = Net()

所以如果你想更清晰、更优雅地定义网络，可以选择PyTorch；如果只是求快好上手，可以选择Keras。

张量、计算图与标准阵列

Keras API隐藏了编码器的许多混乱细节。定义网络层非常直观，默认设置已经足以应付大部分情况，不需要涉及到非常底层的内容。

而当你真正触达到更底层的TensorFlow代码时，同时你也获得了随之而来的最具有挑战性的部分：你需要确保所有矩阵乘法都排成一行。哦对了，甚至别指望打印出图层的一个输出，因为你只会在终端上打印出一个漂亮的Tensor定义。

相比起来，PyTorch在这些方面就做的更让人欣慰一些。你需要知道每个层的输入和输出大小，但这很快就能掌握。同时你也不必处理构建一个指南村智慧民宿无法在调试中看到的抽象计算图。

PyTorch的另一个优势是可以在Torch Tensors和Numpy阵列之间来回切换。而反观TF，如果需要实现自定义的东西，在TF张量和Numpy阵列之间来回转换可能会很麻烦，需要开发人员对TensorFlow会话有充分的了解。

PyTorch上这种操作实际上要简单得多。你只需要知道两个操作：一个将Torch Tensor（一个Variable对象）切换到Numpy，另一个反过来。

当然，如果不需要实现任何花哨的东西，那么Keras会做得很好，因为你不会遇到任何TensorFlow路障。

训练模型

在Keras上训练模型非常容易！一个简单的.fit（）走四方。下面是demo代码：

history = model.fit_generator(

generator=train_generator,

   epochs=10,
   validation_data=validation_generator)

但在PyTorch中训练模型就费点事了，包括几个步骤：

在每批训练开始时初始化梯度

运行正向传递模式

运行向后传递

计算损失并更新权重

for epoch in range(2):  # loop over the dataset multiple times

   running_loss = 0.0
   for i, data in enumerate(trainloader, 0):
       # Get the inputs; data is a list of [inputs, labels]
       inputs, labels = data
       # (1) Initialise gradients
       optimizer.zero_grad()
       # (2) Forward pass
       outputs = net(inputs)
       loss = criterion(outputs, labels)
       # (3) Backward
       loss.backward()
       # (4) Compute the loss and update the weights
       optimizer.step()

你看看，就运行个训练就得这么多步骤！

我想这样你总能意识到发生了什么。同时，由于这些模型训练步骤在训练不同模型时基本保持不变，因此非常不必要。

控制CPU与GPU模式

如果安装了tensorflow-gpu，默认情况下在Keras中启用并完成使用GPU。然后，如果希望将某些操作移动到CPU，则可以使用单行操作。

with tf.device('/cpu:0'):

   y = apply_non_max_suppression(x)

在PyTorch就得费点劲，你必须为每个Torch张量和numpy变量明确启用GPU。如果在CPU和GPU之间来回切换以进行不同的操作，就会使代码变得混乱并且容易出错。

例如，要将我们以前的模型转移到GPU上运行，我们必须执行以下操作：

# Get the GPU device

device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
# Transfer the network to GPU
net.to(device)
# Transfer the inputs and labels to GPU
inputs, labels = data[0].to(device), data[1].to(device)

在GPU这块，Keras凭借其简洁和漂亮的默认设置赢得了胜利。

选择框架的建议

Seif通常给出的建议是从Keras开始，毕竟又快、又简单、又好用！你甚至可以执行自定义图层和损失函数的操作，而无需触及任何一行TensorFlow。

但如果你确实开始深入了解深层网络中更细粒度的方面，或者正在实现非标准的东西，那么PyTorch就是首选库。

参考链接：

https://towardsdatascience.com/keras-vs-pytorch-for-deep-learning-a013cb63870d

本文已标注来源和出处，版权归原作者所有，如有侵权，请联系我们。

【本文来源为网络，版权归原作者所有，如有侵权，请联系我们：m#tiooog.com】

扫二维码与项目经理沟通

我们在微信上24小时期待你的声音
解答本文疑问/网站优化/网站建设/seo技术/网站运营维护

　　「天工软件」是一家以提供小程序开发，APP开发，网站定制开发，数据服务，为主的专业公司。以客户需求为导向，客户利益为出发点，结合自身设计及专业建站优势，为客户提供从基础建设到营销推广的一整套解决方案，探索并实现客户商业价值较大化，为所有谋求长远发展的企业贡献全部力量。