深度学习是人工智能(AI)的一个子集，该领域在过去几十年中越来越受欢迎。与任何新概念一样，在将其用于实际应用之前，需要解决一些问题和细节。
但在我们探讨PyTorch与TensorFlow与Keras的区别之前，让我们花点时间讨论和回顾一下深度学习。
什么是深度学习？
经常听到术语“深度学习”、“机器学习”和“人工智能”互换使用，这会导致潜在的混淆。深度学习和机器学习是人工智能家族的一部分，尽管深度学习也是机器学习的一个子集。了解这些概念的细微差别对于任何关于Keras、TensorFlow和PyTorch的讨论都是必不可少的。
深度学习在处理数据时模仿人脑的神经通路，将其用于决策、检测物体、识别语音和翻译语言。它在没有人工监督或干预的情况下学习，从非结构化和未标记的数据中提取。
深度学习通过使用分层级别的人工神经网络来处理机器学习，人工神经网络像人脑一样构建，神经元节点连接在网络中。传统机器学习程序以线性方式处理数据分析，而深度学习的分层功能让机器使用非线性方法处理数据。
什么是Keras？
Keras是一个用Python编写的有效的高级神经网络应用程序编程接口(API)。这个开源神经网络库旨在提供深度神经网络的快速实验，它可以在CNTK、TensorFlow和Theano之上运行。
Keras专注于模块化、用户友好和可扩展。它不处理低级计算；相反，它将它们交给另一个称为后端的库。
Keras于年年中被采用并集成到TensorFlow中。用户可以通过tf.keras模块访问它。但是，Keras库仍然可以单独和独立运行。
什么是PyTorch？
PyTorch是一个相对较新的基于Torch的深度学习框架。由Facebook的AI研究小组开发并于年在GitHub上开源，用于自然语言处理应用程序。PyTorch以简单、易用、灵活、高效的内存使用和动态计算图而闻名。它还让人感觉原生，使编码更易于管理并提高处理速度。
什么是TensorFlow？
TensorFlow是由Google开发并于年发布的端到端开源深度学习框架。它以文档和培训支持、可扩展的生产和部署选项、多个抽象级别以及对不同平台（例如Android）的支持而闻名.
TensorFlow是用于神经网络的符号数学库，最适合跨一系列任务的数据流编程。它为构建和训练模型提供了多个抽象级别。
TensorFlow是深度学习领域前景广阔且发展迅速的入口，它提供了一个灵活、全面的社区资源、库和工具生态系统，有助于构建和部署机器学习应用程序。此外，如前所述，TensorFlow采用了Keras，这使得将两者进行比较似乎有问题。尽管如此，为了完整起见，我们仍然会比较这两个框架，特别是因为Keras用户不一定必须使用TensorFlow。
不要忘记Theano！
尽管本文将焦点放在Keras、TensorFlow、PyTorch上，但我们应该花点时间来认识一下Theano。Theano曾经是比较流行的深度学习库之一，它是一个开源项目，允许程序员定义、评估和优化数学表达式，包括多维数组和矩阵值表达式。
Theano由蒙特利尔大学于年开发，是用于Python深度学习的关键基础库。它被认为是深度学习框架的鼻祖，并且已经不受学术界以外的大多数研究人员的青睐。
现在，让我们探索PyTorch与TensorFlow的区别。
PyTorch与TensorFlow
TensorFlow和PyTorch都提供了有用的抽象，通过减少样板代码来简化模型的开发。它们的不同之处在于PyTorch具有更“pythonic”的方法并且是面向对象的，而TensorFlow提供了多种选择。
PyTorch用于当今许多深度学习项目，它在AI研究人员中的受欢迎程度越来越高，尽管在三个主要框架中，它是最不受欢迎的。趋势表明，这种情况可能很快就会改变。
当研究人员需要灵活性、调试能力和较短的培训时间时，他们会选择PyTorch。它在Linux、macOS和Windows上运行。
得益于其完善的框架和大量训练有素的模型和教程，TensorFlow是许多行业专业人士和研究人员最喜欢的工具。TensorFlow提供了更好的可视化，让开发人员能够更好地调试并跟踪训练过程。然而，PyTorch仅提供有限的可视化。
得益于TensorFlowServing框架，TensorFlow在将经过训练的模型部署到生产环境方面也击败了PyTorch。PyTorch没有提供这样的框架，因此开发人员需要使用Django或Flask作为后端服务器。
在数据并行领域，PyTorch依靠Python对异步执行的原生支持获得了最佳性能。但是，使用TensorFlow，您必须手动编码和优化在特定设备上运行的每个操作，以实现分布式训练。总之，您可以在TensorFlow中复制PyTorch的所有内容；你只需要更加努力地工作。
如果您刚刚开始探索深度学习，您应该首先学习PyTorch，因为它在研究社区中很受欢迎。但是，如果您熟悉机器学习和深度学习，并专注于尽快在该行业找到工作，请先学习TensorFlow。
现在让我们看看PyTorch与Keras的区别。
PyTorch与Keras
如果您刚开始使用深度学习框架，这两种选择都很好。数学家和经验丰富的研究人员会发现PyTorch更符合他们的喜好。Keras更适合想要一个即插即用框架的开发人员，让他们能够快速构建、训练和评估他们的模型。Keras还提供了更多的部署选项和更轻松的模型导出。
但是，请记住，PyTorch比Keras更快，并且具有更好的调试能力。
这两个平台都享有足够的人气，它们提供了大量的学习资源。Keras可以很好地访问可重用的代码和教程，而PyTorch具有出色的社区支持和积极的开发。
Keras是处理小型数据集、快速原型设计和多个后端支持的最佳选择。由于其相对简单，它是最受欢迎的框架。它在Linux、MacOS和Windows上运行。
TensorFlow与Keras
TensorFlow是一个开源的端到端平台，一个用于多种机器学习任务的库，而Keras是一个运行在TensorFlow之上的高级神经网络库。两者都提供了用于轻松构建和训练模型的高级API，但Keras更加用户友好，因为它是内置的Python。
研究人员在处理大型数据集和对象检测时求助于TensorFlow，并且需要出色的功能和高性能。TensorFlow在Linux、MacOS、Windows和Android上运行。该框架由GoogleBrain开发，目前用于Google的研究和生产需求。
读者应该记住，比较TensorFlow和Keras并不是解决这个问题的最佳方法，因为Keras是TensorFlow框架的包装器。因此，您可以使用更易于使用的Keras接口定义模型，然后当您需要使用Keras不具备的功能或者您正在寻找特定的TensorFlow功能时，您可以将其放入TensorFlow。因此，您可以将TensorFlow代码直接放入Keras训练管道或模型中。
归根结底，将TensorFlow机器学习应用程序和Keras用于深度神经网络。
Theano与TensorFlow
同样，虽然本文的重点是Keras、TensorFlow和PyTorch，但将Theano包括在讨论中是有意义的。Theano带来了快速计算，它专门用于训练深度神经网络算法。它是跨平台的，可以在中央处理单元(CPU)和图形处理单元(GPU)上运行。
TensorFlow还可以在CPU和GPU上运行。它基于图计算，允许开发者使用TensorBoard更好地可视化神经网络的构建，使调试更容易。
PyTorch、TensorFlow和Keras哪个更好？
每个人的情况和需求都不同，因此归结为哪些功能对您的AI项目最重要。为了便于参考，这里有一张图表，分解了Keras、PyTorch和TensorFlow的特性。
往期文章：
线性回归实例-Pytorch深度学习
计算图和线性模型-Pytorch深度学习系列
深度学习平台Pytorch简介
转载请注明：http://www.0431gb208.com/sjszjzl/3959.html
