深度學(xué)習(xí)開源框架,AI從業(yè)者的選擇之路

　　本文內(nèi)容來自微軟美國總部機器學(xué)習(xí)科學(xué)家彭河森博士的分享，并由彭河森博士親自整理成文。

　　正如程序語言一樣，深度學(xué)習(xí)開源框架同樣各有優(yōu)劣和適用的場景，那么 AI 從業(yè)者該如何有針對性地選擇這些平臺來玩轉(zhuǎn)深度學(xué)習(xí)？

　　本期特邀了先后在谷歌、亞馬遜、微軟供職的機器學(xué)習(xí)科學(xué)家彭河森博士為大家講述《MXNet火了，AI從業(yè)者該如何選擇深度學(xué)習(xí)開源框架》。彭河森博士親眼見證并深入?yún)⑴c了這三家巨頭布局深度學(xué)習(xí)的過程。

　　嘉賓介紹

　　彭河森，埃默里大學(xué)統(tǒng)計學(xué)博士。現(xiàn)擔(dān)任微軟美國總部的機器學(xué)習(xí)科學(xué)家、微軟必應(yīng)廣告部應(yīng)用資深研究員，當(dāng)前主要研究方向是自然語言處理和機器學(xué)習(xí)在廣告和推薦系統(tǒng)中的應(yīng)用。此外，彭河森博士曾是亞馬遜最年輕的機器學(xué)習(xí)研究員，之前還供職于谷歌計量經(jīng)濟學(xué)部和中科院。

　　深度學(xué)習(xí)是一個非常熱門的領(lǐng)域，現(xiàn)在市面上也有很多非常優(yōu)秀的平臺，相信大家在入行之初都在想，這么多平臺應(yīng)該怎么選擇？

　　我先提兩點，可能是一般測評沒有考慮到的東西：

　　一個是圖像計算和符號求導(dǎo)，這是深度學(xué)習(xí)一個非常有意思且非常重要的副產(chǎn)物。

　　另一個是深度學(xué)習(xí)框架的可觸碰深度，這點直接關(guān)系到深度學(xué)習(xí)系統(tǒng)的發(fā)展未來和用戶的自由度。

　　這兩點對于初學(xué)者和從業(yè)人員都非常重要，我在后面詳細講述。

　　首先要恭喜 MXNet 近日獲得了亞馬遜的背書，MXNet 平臺本身非常優(yōu)秀，具有很多優(yōu)良的性質(zhì)：例如多節(jié)點模型訓(xùn)練，目前是我知道最全面的多語言支持。此外，也有評測說 MXNet 性能方面可以高出同行平臺很多，我們將會在后面的討論中提到。現(xiàn)在進入正題，我們該如何選擇深度學(xué)習(xí)開源平臺，參考標(biāo)準(zhǔn)應(yīng)該是什么樣的？

　　一、深度學(xué)習(xí)開源平臺的 5 大參考標(biāo)準(zhǔn)

　　今天主要探討的平臺（或者軟件）包括：Caffe， Torch， MXNet， CNTK， Theano， TensorFlow， Keras。

　　如何選擇一個深度學(xué)習(xí)平臺？我總結(jié)出了下面的這些考量標(biāo)準(zhǔn)。因人而異，因項目而異?？赡苣闶亲鰣D像處理，也可能是自然語言處理，或是數(shù)量金融，根據(jù)你不同的需求，對平臺做出的選擇可能會不同。

　　標(biāo)準(zhǔn)1：與現(xiàn)有編程平臺、技能整合的難易程度

　　無論是學(xué)術(shù)研究還是工程開發(fā)，在上馬深度學(xué)習(xí)課題之前一般都已積累不少開發(fā)經(jīng)驗和資源?？赡苣阕钕矚g的編程語言已經(jīng)確立，或者你的數(shù)據(jù)已經(jīng)以一定的形式儲存完畢，或者對模型的要求（如延遲等）也不一樣。標(biāo)準(zhǔn)1 考量的是深度學(xué)習(xí)平臺與現(xiàn)有資源整合的難易程度。這里我們將回答下面的問題：

　　是否需要專門為此學(xué)習(xí)一種新語言？

　　是否能與當(dāng)前已有的編程語言結(jié)合？

　　標(biāo)準(zhǔn) 2： 和相關(guān)機器學(xué)習(xí)、數(shù)據(jù)處理生態(tài)整合的緊密程度

　　我們做深度學(xué)習(xí)研究最后總離不開各種數(shù)據(jù)處理、可視化、統(tǒng)計推斷等軟件包。這里我們要回答問題：

　　建模之前，是否具有方便的數(shù)據(jù)預(yù)處理工具？當(dāng)然大多平臺都自身帶了圖像、文本等預(yù)處理工具。

　　建模之后，是否具有方便的工具進行結(jié)果分析，例如可視化、統(tǒng)計推斷、數(shù)據(jù)分析？

　　標(biāo)準(zhǔn) 3：通過此平臺做深度學(xué)習(xí)之外，還能做什么？

　　上面我們提到的不少平臺是專門為深度學(xué)習(xí)研究和應(yīng)用進行開發(fā)的，不少平臺對分布式計算、GPU 等構(gòu)架都有強大的優(yōu)化，能否用這些平臺/軟件做其他事情？

　　比如有些深度學(xué)習(xí)軟件是可以用來求解二次型優(yōu)化；有些深度學(xué)習(xí)平臺很容易被擴展，被運用在強化學(xué)習(xí)的應(yīng)用中。哪些平臺具備這樣的特點？

　　這個問題可以涉及到現(xiàn)今深度學(xué)習(xí)平臺的一個方面，就是圖像計算和自動化求導(dǎo)。

　　標(biāo)準(zhǔn) 4：對數(shù)據(jù)量、硬件的要求和支持

　　當(dāng)然，深度學(xué)習(xí)在不同應(yīng)用場景的數(shù)據(jù)量是不一樣的，這也就導(dǎo)致我們可能需要考慮分布式計算、多 GPU 計算的問題。例如，對計算機圖像處理研究的人員往往需要將圖像文件和計算任務(wù)分部到多臺計算機節(jié)點上進行執(zhí)行。

　　當(dāng)下每個深度學(xué)習(xí)平臺都在快速發(fā)展，每個平臺對分布式計算等場景的支持也在不斷演進。今天提到的部分內(nèi)容可能在幾個月后就不再適用。

　　標(biāo)準(zhǔn) 5：深度學(xué)習(xí)平臺的成熟程度

　　成熟程度的考量是一個比較主觀的考量因素，我個人考量的因素包括：社區(qū)的活躍程度；是否容易和開發(fā)人員進行交流；當(dāng)前應(yīng)用的勢頭。

　　講了 5 個參考標(biāo)準(zhǔn)后，接下來我們用上面的這些標(biāo)準(zhǔn)對各個深度學(xué)習(xí)平臺進行評價：

　　二、深度學(xué)習(xí)平臺評價

　　評判1：與現(xiàn)有編程平臺、技能整合的難易程度

　　標(biāo)準(zhǔn)1 考量的是深度學(xué)習(xí)平臺與現(xiàn)有資源整合的難易程度。這里我們將回答下面的問題：是否需要專門為此學(xué)習(xí)一種新語言？是否能與當(dāng)前已有的編程語言結(jié)合？

　　這一個問題的干貨在下面這個表格。這里我們按照每個深度學(xué)習(xí)平臺的底層語言和用戶語言進行總結(jié)，可以得到下表。

　　其中 Keras 通過 Theano， TensorFlow 作為底層進行建模。

　　我們可以看到這樣的趨勢：

　　深度學(xué)習(xí)底層語言多是 C++ / C 這樣可以達到高運行效率的語言。

　　操作語言往往會切近實際，我們大致可以斷定 Python 是未來深度學(xué)習(xí)的操作平臺語言，微軟在 CNTK 2.0 加入了對 Python 的支持。

　　當(dāng)然，還有不少平臺可以通過腳本的方式配置網(wǎng)絡(luò)并且訓(xùn)練模型。

　　從格局上來說，Python 作為深度學(xué)習(xí)建模的基本語言是可以確定的。如果你最喜歡編程語言是 Python，恭喜您，大多數(shù)平臺都可以和你的技術(shù)無縫銜接。如果是 Java 也不用擔(dān)心，不少平臺也具有 Java 支持，Deeplearning4J 還是一個原生的 Java 深度學(xué)習(xí)平臺。

　　標(biāo)準(zhǔn) 2： 和相關(guān)機器學(xué)習(xí)、數(shù)據(jù)處理生態(tài)整合的緊密程度

　　這里我們要提一下現(xiàn)在主要的數(shù)據(jù)處理工具，比較全面的數(shù)據(jù)分析工具包括 R 及其相關(guān)生態(tài)，Python 及其相關(guān)生態(tài)，小眾一點的還包括 Julia 及其相關(guān)生態(tài)。

　　完成深度學(xué)習(xí)建模等任務(wù)之后，和生態(tài)的整合也尤為重要。

　　我們可以發(fā)現(xiàn)，上面和 Python， R， 整合較為緊密，這里 Keras 生態(tài)（TensorFlow， Theano）， CNTK， MXNet， Caffe 等占有大量優(yōu)勢。

　　同時 Caffe 具有大量圖像處理包，對數(shù)據(jù)觀察也具有非常大的優(yōu)勢。

　　標(biāo)準(zhǔn) 3：通過此平臺做深度學(xué)習(xí)之外，還能做什么？

　　下圖是本次公開課的核心：

　　其實深度學(xué)習(xí)平臺在創(chuàng)造和設(shè)計時的側(cè)重點有所不同，我們按照功能可以將深度學(xué)習(xí)平臺分為上面六個方面：

　　CPU+GPU控制，通信：這一個最低的層次是深度學(xué)習(xí)計算的基本層面。

　　內(nèi)存、變量管理層：這一層包含對于具體單個中間變量的定義，如定義向量、矩陣，進行內(nèi)存空間分配。

　　基本運算層：這一層主要包含加減乘除、正弦、余弦函數(shù)，最大最小值等基本算數(shù)運算操作。

　　基本簡單函數(shù)：

　　○ 包含各種激發(fā)函數(shù)（acTIvaTIon funcTIon），例如 sigmoid， ReLU 等。

　　○ 同時也包含求導(dǎo)模塊

　　神經(jīng)網(wǎng)絡(luò)基本模塊，包括 Dense Layer， ConvoluTIon Layer （卷積層）， LSTM 等常用模塊。

　　最后一層是對所有神經(jīng)網(wǎng)絡(luò)模塊的整合以及優(yōu)化求解。

　　眾多機器學(xué)習(xí)平臺在功能側(cè)重上是不一樣的，我將他們分成了四大類：

　　1. 第一類是以 Caffe， Torch， MXNet， CNTK 為主的深度學(xué)習(xí)功能性平臺。這類平臺提供了非常完備的基本模塊，可以讓開發(fā)人員快速創(chuàng)建深度神經(jīng)網(wǎng)絡(luò)模型并且開始訓(xùn)練，可以解決現(xiàn)今深度學(xué)習(xí)中的大多數(shù)問題。但是這些模塊很少將底層運算功能直接暴露給用戶。

　　2. 第二類是以 Keras 為主的深度學(xué)習(xí)抽象化平臺。Keras 本身并不具有底層運算協(xié)調(diào)的能力，Keras 依托于 TensorFlow 或者 Theano 進行底層運算，而 Keras 自身提供神經(jīng)網(wǎng)絡(luò)模塊抽象化和訓(xùn)練中的流程優(yōu)化。可以讓用戶享受快速建模的同時，具有很方便的二次開發(fā)能力，加入自身喜歡的模塊。

　　3. 第三類是 TensorFlow。TensorFlow 吸取了已有平臺的長處，既能讓用戶觸碰底層數(shù)據(jù)，又具有現(xiàn)成的神經(jīng)網(wǎng)絡(luò)模塊，可以讓用戶非常快速的實現(xiàn)建模。TensorFlow 是非常優(yōu)秀的跨界平臺。

　　4. 第四類是 Theano， Theano 是深度學(xué)習(xí)界最早的平臺軟件，專注底層基本的運算。

　　所以對平臺選擇可以對照上圖按照自己的需求選用：

　　如果任務(wù)目標(biāo)非常確定，只需要短平快出結(jié)果，那么第 1 類平臺會適合你。

　　如果您需要進行一些底層開發(fā)，又不想失去現(xiàn)有模塊的方便，那么第 2、3 類平臺會適合你。

　　如果你有統(tǒng)計、計算數(shù)學(xué)等背景，想利用已有工具進行一些計算性開發(fā)，那么第 3， 4 類會適合你。

　　這里我介紹下深度學(xué)習(xí)的一些副產(chǎn)品，其中一個比較重要的功能就是符號求導(dǎo)。

　　圖計算和符號求導(dǎo)：深度學(xué)習(xí)對開源社區(qū)的巨大貢獻

　　大家可能會有疑問：我能訓(xùn)練出來深度學(xué)習(xí)模型就蠻好的了，為什么需要接觸底層呢？

　　這里我先介紹下深度學(xué)習(xí)的一些副產(chǎn)品，其中一個比較重要的功能就是符號求導(dǎo)。符號求導(dǎo)英文是 Symbolic Differentiation，現(xiàn)在有很多有關(guān)的文獻和教程可以使用。

　　符號求導(dǎo)是什么意思？

　　以前我們做機器學(xué)習(xí)等研究，如果要求導(dǎo)往往需要手動把目標(biāo)函數(shù)的導(dǎo)數(shù)求出來。最近一些深度學(xué)習(xí)工具，如 Theano， 推出了自動化符號求導(dǎo)功能，這大大減少了開發(fā)人員的工作量。

　　當(dāng)然，商業(yè)軟件如 MatLab， Mathematica 在多年前就已具有符號計算的功能，但鑒于其商業(yè)軟件的限制，符號計算并沒有在機器學(xué)習(xí)應(yīng)用中被大量采用。

　　深度學(xué)習(xí)由于其網(wǎng)絡(luò)的復(fù)雜性，必須采用符號求導(dǎo)的方法才能解決目標(biāo)函數(shù)過于復(fù)雜的問題。另外一些非深度學(xué)習(xí)問題，例如：二次型優(yōu)化等問題，也都可以用這些深度學(xué)習(xí)工具來求解了。

　　更為優(yōu)秀的是，Theano 符號求導(dǎo)結(jié)果可以直接通過 C程序編譯，成為底層語言，高效運行。

　　這里我們給一個 Theano 的例子：

　　》》》 import numpy

　　》》》 import theano

　　》》》 import theano.tensor as T

　　》》》 from theano import pp

　　》》》 x = T.dscalar（‘x’）

　　》》》 y = x ** 2

　　》》》 gy = T.grad（y， x）

　　》》》 f = theano.function（［x］， gy）

　　》》》 f（4）

　　8

　　上面我們通過符號求導(dǎo)的方法，很容易的求出 y 關(guān)于 x 的導(dǎo)數(shù)在 4 這個點的數(shù)值。

　　標(biāo)準(zhǔn) 4：對數(shù)據(jù)量、硬件的要求和支持

　　對于多 GPU 支持和多服務(wù)器支持，我們上面提到的所有平臺都聲稱自己能夠完成任務(wù)。同時也有大量文獻說某個平臺的效果更為優(yōu)秀。我們這里把具體平臺的選擇留給在座各位，提供下面這些信息：

　　首先想想你想要干什么。現(xiàn)在深度學(xué)習(xí)應(yīng)用中，需要運用到多服務(wù)器訓(xùn)練模型的場景往往只有圖像處理一個，如果是自然語言處理，其工作往往可以在一臺配置優(yōu)秀的服務(wù)器上面完成。如果數(shù)據(jù)量大，往往可以通過 hadoop 等工具進行數(shù)據(jù)預(yù)處理，將其縮小到單機可以處理的范圍內(nèi)。

　　本人是比較傳統(tǒng)的人，從小就開始自己折騰各種科學(xué)計算軟件的編譯?，F(xiàn)在主流的文獻看到的結(jié)果是，單機使用 GPU 能比 CPU 效率提高數(shù)十倍左右。

　　但是其實有些問題，在 Linux 環(huán)境下，編譯 Numpy 的時候?qū)⒕€性函數(shù)包換為 Intel MLK 往往也可以得到類似的提高。

　　當(dāng)然現(xiàn)在很多評測，往往在不同硬件環(huán)境、網(wǎng)絡(luò)配置情況下，都會得到不一樣的結(jié)果。

　　就算在亞馬遜云平臺上面進行測試，也可能因為網(wǎng)絡(luò)環(huán)境、配置等原因，造成完全不同的結(jié)果。所以對于各種測評，基于我的經(jīng)驗，給的建議是：take it with a grain of salt，自己要留個心眼。前面我們提到的主要工具平臺，現(xiàn)在都對多 GPU、多節(jié)點模型訓(xùn)練有不同程度的支持，而且現(xiàn)在也都在快速的發(fā)展中，我們建議聽眾自己按照需求進行鑒別。

　　標(biāo)準(zhǔn) 5：深度學(xué)習(xí)平臺的成熟程度

　　對于成熟程度的評判往往會比較主觀，結(jié)論大多具有爭議。我在這里也只列出數(shù)據(jù)，具體如何選擇，大家自己判斷。

　　這里我們通過 Github 上面幾個比較受歡迎的數(shù)量來判斷平臺的活躍程度。這些數(shù)據(jù)獲取于今天下午（2016-11-25）。我們用黑體標(biāo)出了每個因子排名前三的平臺：

　　第一個因子是貢獻者數(shù)量，貢獻者這里定義非常寬泛，在 Github issues 里面提過問題的都被算作是 Contributor，但是還是能作為一個平臺受歡迎程度的度量。我們可以看到 Keras， Theano， TensorFlow 三個以 Python 為原生平臺的深度學(xué)習(xí)平臺是貢獻者最多的平臺。

　　第二個因子是 Pull Request 的數(shù)量，Pull Request 衡量的是一個平臺的開發(fā)活躍程度。我們可以看到 Caffe 的 Pull Request 最高，這可能得益于它在圖像領(lǐng)域得天獨厚的優(yōu)勢，另外 Keras 和 Theano 也再次登榜。

　　另外，這些平臺在應(yīng)用場景上有側(cè)重：

　　自然語言處理，當(dāng)然要首推 CNTK，微軟MSR（A） 多年對自然語言處理的貢獻非常巨大，CNTK 的不少開發(fā)者也是分布式計算牛人，其中所運用的方法非常獨到。

　　當(dāng)然，對于非常廣義的應(yīng)用、學(xué)習(xí)，Keras/TensorFlow/Theano 生態(tài)可能是您最好的選擇。

　　對于計算機圖像處理，Caffe 可能是你的不二選擇。

　　關(guān)于深度學(xué)習(xí)平臺的未來：

　　微軟在對 CNTK 很有決心，Python API 加的好，大家可以多多關(guān)注。

　　有觀點認為深度學(xué)習(xí)模型是戰(zhàn)略資產(chǎn)，應(yīng)該用國產(chǎn)軟件，防止壟斷。我認為這樣的問題不用擔(dān)心，首先 TensorFlow 等軟件是開源的，可以通過代碼審查的方法進行質(zhì)量把關(guān)。另外訓(xùn)練的模型可以保存成為 HDF5 格式，跨平臺分享，所以成為谷歌壟斷的概率非常小。

　　很有可能在未來的某一天，大家訓(xùn)練出來一些非常厲害的卷積層（convolution layer），基本上能非常優(yōu)秀地解決所有計算機圖像相關(guān)問題，這個時候我們只需要調(diào)用這些卷積層即可，不需要大規(guī)模卷積層訓(xùn)練。另外這些卷積層可能會硬件化，成為我們手機芯片的一個小模塊，這樣我們的照片拍好的時候，就已經(jīng)完成了卷積操作。