13个最常用的Python深度学习库深度解析与选型指南

若你对深度学习及卷积神经网络（CNN）充满兴趣，却苦于不知从何入手或选择何种工具，本文将为你提供全方位的指引与帮助。

本文详细剖析了9个我个人最为推崇的Python深度学习库。

该列表并非穷尽所有选项，而是基于我在计算机视觉领域的职业经验，筛选出在特定阶段对我极具实用价值的库集合。

其中部分库的使用频率远高于其他库，尤其是Keras、mxnet以及sklearn-theano。

另有部分库我是通过间接方式使用，例如依托Theano和TensorFlow（借助Keras、deepy及Blocks等上层封装）进行开发。

其余部分仅针对特定任务使用，例如nolearn及其实现的Deep Belief Network（深度信念网络）。

本文旨在介绍这些库。建议读者仔细研读每个库的特性，从而在具体工作场景中确定最适用的工具。

再次强调，此列表并不完整。鉴于我作为计算机视觉研究人员的背景，内容更侧重于卷积神经网络相关的库。

我将这些深度学习库划分为三个部分进行介绍。

第一部分介绍较为流行的库，你可能已有所耳闻。对于这些库，我将提供通俗的高层概述，并详细阐述我的偏好与局限，同时列举适用案例。

第二部分聚焦于我个人最喜爱的深度学习库，即日常工作中使用最多的库，包括Keras、mxnet和sklearn-theano等。

最后，针对第一部分中较少使用的库，我设立了“福利”板块，或许你能从中发现有用或在第二部分未尝试但有趣的库。

接下来，让我们开始探索。

针对初学者：

Caffe

提及“深度学习库”，Caffe是绕不开的名字。事实上，自你打开此页面学习深度学习库起，我敢打赌你一定听说过Caffe。 那么，Caffe究竟是什么？

Caffe是由Berkeley Vision and Learning Center（BVLC）开发的深度学习框架。它具有模块化特性，速度极快，并广泛应用于学术界和产业界的尖端应用中。

事实上，如果你查阅最新的深度学习出版物（通常提供源代码），你很可能会在相关的GitHub库中找到Caffe模型。

尽管Caffe本身并非Python库，但它提供了Python绑定。我们通常在新领域探索网络架构时使用这些绑定。 我将Caffe列入列表的原因在于其广泛的应用。你可以在空白文档中定义模型架构和解决方案，建立一个JSON格式的.prototxt配置文件。Caffe二进制文件读取这些文件并训练网络。训练完成后，你可以通过Caffe二进制文件，或直接通过Python或MATLAB API，将网络和新图像输入进行分类。

虽然我很欣赏Caffe的性能（它每天可在K40 GPU上处理60万张图片），但相比之下，我更偏好Keras和mxnet。

主要原因在于，在.prototxt文件内部构建架构可能相当繁琐。更重要的是，Caffe无法以编程方式调整超参数！基于这两点，在基于Python的API中，我倾向于选择允许实现端到端网络（包括交叉验证和超参数调整）的库。

Theano

首先，我想说Theano是优雅的。如果没有Theano，我们可能无法达到现有深度学习库的数量（特别是在Python中）。同样，如果没有numpy，我们就不会有SciPy、scikit-learn和scikit-image。Theano可视为关于深度学习更高级抽象的基石。

从核心功能来看，Theano是一个Python库，用于定义、优化和评估涉及多维数组的数学表达式。它通过与numpy的紧密集成，透明地利用GPU完成这些工作。

虽然可以利用Theano构建深度学习网络，但我倾向于认为Theano是神经网络的基石，正如numpy是科学计算的基石。事实上，我在文中提到的大多数库都是围绕Theano构建，以提供更便捷的使用体验。

请勿误解我的意思，我爱Theano，只是不喜欢直接用Theano编写代码。

在Theano中构建卷积神经网络，就像仅用原生Python中的numpy编写定制的支持向量机（SVM）一样，当然这个类比并不完美。 你可以做到吗？

当然可以。

它值得你花费时间和精力吗？

嗯，也许吧。这取决于你是否希望摆脱低级编程或应用是否需要。

就个人而言，我宁愿使用像Keras这样的库，它将Theano封装为更人性化的API，正如scikit-learn使机器学习算法的工作变得更加容易一样。

TensorFlow

与Theano类似，TensorFlow是使用数据流图进行数值计算的开源库（这是所有神经网络固有的特征）。它最初由谷歌机器智能研究机构内的Google Brain Team研究人员开发，此后库一直开源，并向公众提供。

相较于Theano，TensorFlow的主要优势在于分布式计算，特别是在多GPU环境中（尽管这是Theano正在攻克的项目）。

除了用TensorFlow替换Keras后端外，我对TensorFlow库没有太多经验。然而，我希望在接下来的几个月里，这种情况有所改变。

Lasagne

Lasagne是Theano中用于构建和训练网络的轻量级库。关键词是“轻量级”，意味着它不像Keras那样是对Theano的重包装库。虽然这会导致代码更加繁琐，但它将你从各种限制中解放出来，同时允许你基于Theano进行模块化构建。

简而言之：Lasagne的功能介于Theano的低级编程和Keras的高级抽象之间，是一种折中方案。

我最喜欢的：

Keras

如果必须选出一个最喜欢的深度学习Python库，我很难在Keras和mxnet之间做出抉择——但最终，我会选择Keras。 说真的，Keras的好处不胜枚举。

Keras是一个最低限度、模块化的神经网络库，可使用Theano或TensorFlow作为后端。Keras最主要的用户体验是，从构思到产生结果的过程非常迅速。

在Keras中设计网络架构十分轻松自然。它包含了一些state-of-the-art中针对优化（Adam、RMSProp）、标准化（BatchNorm）和激活层（PReLU、ELU、LeakyReLU）的最新算法。

Keras也非常注重卷积神经网络，这也是我十分需要的。无论这是有意还是无意，我觉得从计算机视觉的角度来看，这非常有价值。

更重要的是，你可以轻松构建基于序列的网络（输入线性流经网络）以及基于图形的网络（输入可以“跳过”某些层直接与后面对接）。这使得创建像GoogLeNet和SqueezeNet这样复杂的网络结构变得容易得多。

我认为Keras唯一的问题是它不支持在多GPU环境中并行训练网络。这可能成为也可能不会成为你的大忌。

如果我想尽快训练网络，可能会使用mxnet。但如果需要调整超参数，我会用Keras设置四个独立的实验（分别在我的Titan X GPUs上运行）并评估结果。

mxnet

我第二喜欢的深度学习Python库无疑是mxnet（重点也是训练图像分类网络）。虽然在mxnet中搭建网络可能需要较多代码，但它提供了令人惊人数量的语言绑定（C++、Python、R、JavaScript等）。

Mxnet库真正出色的是分布式计算，它支持在多个CPU/GPU机器上训练网络，甚至可以在AWS、Azure以及YARN集群上运行。 确实需要更多代码来设立实验并在mxnet上运行（与Keras相比），但如果你需要在多个GPU或系统间分配训练，我推荐mxnet。

sklearn-theano

有时你并不需要端到端地培养一个卷积神经网络。相反，你需要将CNN视为特征提取器。当你没有足够的数据从头培养完整的CNN时，它会变得特别有用。只需将输入图像放入流行的预训练架构（如OverFeat、AlexNet、VGGNet或GoogLeNet），然后从FC层（或你使用的任何层）提取特征。

总之，这就是sklearn-theano的功能所在。你不能用它从头到尾训练模型，但它的妙处在于可以将网络作为特征提取器。当需要评估特定问题是否适合使用深度学习解决时，我倾向于将此库作为我的第一手判断。

nolearn

我在PyImageSearch博客上用过几次nolearn，主要是在我的MacBook Pro上进行一些初步的GPU实验和在Amazon EC2 GPU实例中进行深度学习。

Keras将Theano和TensorFlow封装成了更具人性化的API，而nolearn也为Lasagne做了相同的事。此外，nolearn中的所有代码都与scikit-learn兼容，这对我来说绝对是超级福利。

我个人不使用nolearn做卷积神经网络（CNNs），但你当然也可以用（我更喜欢用Keras和mxnet来做CNNs）。我主要用nolearn来制作Deep Belief Networks (DBNs)。

DIGITS

DIGITS并非真正的深度学习库（虽然它是用Python写的）。DIGITS（深度学习GPU培训系统）实际上是用于培训Caffe深度学习模式的Web应用程序（虽然我认为你可以破解源代码然后使用Caffe以外的其他后端进行工作，但这听起来就像一场噩梦）。

如果你曾经用过Caffe，那么你就会知道通过终端定义.prototxt文件、生成图像数据、运行网络并监管网络训练是相当繁琐的。DIGITS旨在通过在浏览器中执行这些任务来解决这个问题。

此外，DIGITS的用户界面非常出色，它可以为你提供有价值的统计数据和图表作为模型训练的参考。另外，你可以通过各种输入轻松可视化网络中的激活层。最后，如果你想测试特定图像，你可以把图片上传到你的DIGITS服务器或进入图片的URL，然后你的Caffe模型将自动分类图像并把结果显示在浏览器中。干净利落！

Blocks

说实话，虽然我一直想尝试，但截至目前我确实从未用过Blocks（这也是我把它包括在这个列表里的原因）。就像许多在这个列表中的其他库一样，Blocks建立在Theano之上，呈现出一个用户友好型的API。

deepy

如果让你猜deepy是围绕哪个库建立的，你会猜什么？

没错，就是Theano。

我记得在前一段时间用过deepy（做了初始提交），但在接下来的大约6-8个月我都没有碰它了。我打算在接下来的博客文章里再尝试一下。

pylearn2

虽然我从没有主动地使用pylearn2，但由于历史原因，我觉得很有必要把它包括在这个列表里。Pylearn2不仅仅是一般的机器学习库（地位类似于scikit-learn），也包含了深度学习算法的实现。

对于pylearn2我最大的担忧就是（在撰写本文时），它没有一个活跃的开发者。正因为如此，相比于像Keras和mxnet这样的有积极维护的库，推荐pylearn2我还有些犹豫。

Deeplearning4j

这本应是一个基于Python的列表，但我想我会把Deeplearning4j包括在这里，主要是出于对他们所做事迹的无比崇敬——Deeplearning4j为JVM建立了一个开源的、分布式的深度学习库。

如果您在企业工作，你可能会有一个塞满了用过的Hadoop和MapReduce服务器的储存器。也许这些你还在用，也许早就不用了。

你怎样才能把这些相同的服务器应用到深度学习里？

事实证明是可以的——你只需要Deeplearning4j。

总计

以上就是本文关于13个最常用的Python深度学习库介绍的全部内容，希望对大家有所帮助。感兴趣的朋友可以继续参阅本站：python探索之BaseHTTPServer-实现Web服务器介绍、Python探索之SocketServer详解等，如有不足之处，欢迎留言指出。感谢朋友们对本站的支持！