投稿/爆料
厂商入驻

TensorFlow还是Keras?深度学习框架选型指南

论智|2018-03-22 16:48

【编者按】到底该选择TensorFlow还是Keras,是深度学习初学者经常纠结的一个问题。数据科学家Aakash Nain比较了TensorFlow和Keras,希望有助于选择合适的框架。

框架流行度

深度学习库/框架流行度(来源:Google)

深度学习无处不在,大量的深度学习库让初学者无所适从。这篇文章重点关注TensorlFlowKeras两者之间的选择。TensorFlow是最著名的用于深度学习生产环境的框架。它有一个非常大非常棒的社区。然而,TensorFlow的使用不那么简单。另一方面,Keras是在TensorFlow基础上构建的高层API,比TF(TensorFlow的缩写)要易用很多。

既然Keras基于TensorFlow,那么两者有何区别?既然Keras对用户更友好,为什么我还需要使用TF来构建深度学习模型呢?下面一些内容将帮助你做出选择。

快速开发原型

如果你想快速创建、测试一个神经网络,写尽可能少的代码,那么选择Keras。花不了多少分钟,你就能用Keras创建简单或很复杂的神经网络。ModelSequential API如此强大,基本上能做到你可能想要做的任何事情。让我们看一个例子吧:

model = Sequential()
model.add(Dense(32, activation='relu', input_dim=100))
model.add(Dense(1, activation='sigmoid'))
model.compile(optimizer='rmsprop',
              loss='binary_crossentropy',
              metrics=['accuracy'])

# 生成虚假数据
import numpy as np
data = np.random.random((1000, 100))
labels = np.random.randint(2, size=(1000, 1))

# 训练模型,迭代数据(每个batch包含32个样本)
model.fit(data, labels, epochs=10, batch_size=32)

收工!!就是这么容易!

没有人不喜欢Pythonic!!

Keras的开发设计注重用户友好,因而某种意义上它更加pythonic。模块化是Keras的另一个优雅的设计指导原则。Keras中的任何东西都可以表示为模块,用户可以根据需要将其进一步组合。

弹性

有时候你不想用现成的东西,想要自己定义一些东西(比如,损失函数、测度、网络层,等等)。

尽管Keras 2的设计让你可以实现几乎所有你想要的东西,但是我们都知道底层的库提供了更多弹性。TF同样如此。相比Keras,TF允许你进行更多调整。

功能性

尽管Keras提供了创建深度学习模型一般所需的所有功能性,它还是不如TF提供得多。相比Keras,TensorFlow提供更多高级操作。当你从事研究或开发特殊种类的深度学习模型时,这一点是十分便利的。下面是一些例子:

线程和队列

队列是一个强大的机制,可以异步地计算图中的张量。类似地,你可以使用多个线程执行同一会话,通过并行运算加速操作。下面是一个在TensorFlow中使用队列和线程的简单例子:

# 创建图,等等。
init_op = tf.global_variables_initializer()

# 创建会话,以运行图中的操作。
sess = tf.Session()

# 初始化变量(比如epoch计数器)
sess.run(init_op)

# 开始输入入队线程。
coord = tf.train.Coordinator()
threads = tf.train.start_queue_runners(sess=sess, coord=coord)

try:
    while not coord.should_stop():
        # 运行训练步骤,等等
        sess.run(train_op)

except tf.errors.OutOfRangeError:
    print('训练完毕——达到epoch限制')

finally:
    # 结束时,请求停止线程
    coord.request_stop()

# 等待线程终止。
coord.join(threads)
sess.close()

调试器

TensorFlow有一个专门的调试器,为内部结构和正在运行的TensorFlow图的状态提供了可见性。从调试器获得的洞见可以加速调试训练和推断阶段的多种bug。

TensorFlow调试器截屏

TensorFlow调试器截屏(来源:TensorFlow文档)

控制

就我的经验而言,你对神经网络的控制越多,你对神经网络在做什么的理解就更深。TF让你可以更多地控制神经网络。在TF中对权重和梯度进行操作有如神助。

例如,假设你的模型有三个变量,比如wbstep,你可以选择变量step是否可以训练。你只需写一行代码就可以办到:

step = tf.Variable(1, trainable=False, dtype=tf.int32)

在训练阶段,梯度可以提供大量信息。你想控制梯度?当然可以,看下面的例子:

# 创建优化器
optimizer = GradientDescentOptimizer(learning_rate=0.1)

# 为一组变量计算梯度
grads_and_vars = opt.compute_gradients(loss, <list of variables>)

# grads_and_vars是一个元组的列表(梯度, 变量)。
# 你可以随意对梯度部分进行操作,比如,每项减1.
subtracted_grads_and_vars = [(gv[0] - 1.0, gv[1]) for gv in grads_and_vars]

# 请求优化器应用减一后的梯度。
optimizer.apply_gradients(subtracted_grads_and_vars)

(以上代码样例取自 CS 20SI: TensorFlow for Deep Learning Research)

结论(TL;DR)

除非你正从事研究性质的工作或开发某种特殊种类的神经网络,选择Keras(相信我,我是一个Keras党!!)使用Keras快速构建非常复杂的模型仍然超容易。

如果你想要更精细地控制你的网络,或者想要仔细查看你的网络发生了什么,那么TF是正确的选择(不过有时TF的语法会让你做噩梦的)。不过,现在TF已经集成了Keras,所以更明智的做法是使用tf.contrib.Keras创建你的网络,然后根据需要在你的网络中插入纯TensorFlow。简而言之,

tf.contrib.keras + tf = 你所需要的一切

原文 TensorFlow or Keras? Which one should I learn?
感谢原作者Aakash Nain授权论智编译,未经授权禁止转载。详情见转载须知

本文来自机器人之家,如若转载,请注明出处:https://www.jqr.com/article/000104
爆料投稿,欢迎投递至邮箱:service@jqr.com
机器学习深度学习 KerasTensorFlow
推荐阅读

0 条回复

评论

游客
robot
发布需求
联系客服联系客服
robot
联系客服