深度學(xué)習開(kāi)源框架,AI從業(yè)者的選擇之路

　　本文內容來(lái)自微軟美國總部機器學(xué)習科學(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(yǔ)言一樣，深度學(xué)習開(kāi)源框架同樣各有優(yōu)劣和適用的場(chǎng)景，那么 AI 從業(yè)者該如何有針對性地選擇這些平臺來(lái)玩轉深度學(xué)習？

　　本期特邀了先后在谷歌、亞馬遜、微軟供職的機器學(xué)習科學(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)習開(kāi)源框架》。彭河森博士親眼見(jiàn)證并深入參與了這三家巨頭布局深度學(xué)習的過(guò)程。

　　嘉賓介紹

　　彭河森，埃默里大學(xué)統計學(xué)博士?，F擔任微軟美國總部的機器學(xué)習科學(xué)家、微軟必應廣告部應用資深研究員，當前主要研究方向是自然語(yǔ)言處理和機器學(xué)習在廣告和推薦系統中的應用。此外，彭河森博士曾是亞馬遜最年輕的機器學(xué)習研究員，之前還供職于谷歌計量經(jīng)濟學(xué)部和中科院。

　　深度學(xué)習是一個(gè)非常熱門(mén)的領(lǐng)域，現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，這么多平臺應該怎么選擇？

　　我先提兩點(diǎn)，可能是一般測評沒(méi)有考慮到的東西：

　　一個(gè)是圖像計算和符號求導，這是深度學(xué)習一個(gè)非常有意思且非常重要的副產(chǎn)物。

　　另一個(gè)是深度學(xué)習框架的可觸碰深度，這點(diǎn)直接關(guān)系到深度學(xué)習系統的發(fā)展未來(lái)和用戶(hù)的自由度。

　　這兩點(diǎn)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(shū)，MXNet 平臺本身非常優(yōu)秀，具有很多優(yōu)良的性質(zhì)：例如多節點(diǎn)模型訓練，目前是我知道最全面的多語(yǔ)言支持。此外，也有評測說(shuō) MXNet 性能方面可以高出同行平臺很多，我們將會(huì )在后面的討論中提到?，F在進(jìn)入正題，我們該如何選擇深度學(xué)習開(kāi)源平臺，參考標準應該是什么樣的？

　　一、深度學(xué)習開(kāi)源平臺的 5 大參考標準

　　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(gè)深度學(xué)習平臺？我總結出了下面的這些考量標準。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(yǔ)言處理，或是數量金融，根據你不同的需求，對平臺做出的選擇可能會(huì )不同。

　　標準1：與現有編程平臺、技能整合的難易程度

　　無(wú)論是學(xué)術(shù)研究還是工程開(kāi)發(fā)，在上馬深度學(xué)習課題之前一般都已積累不少開(kāi)發(fā)經(jīng)驗和資源?？赡苣阕钕矚g的編程語(yǔ)言已經(jīng)確立，或者你的數據已經(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。標準1 考量的是深度學(xué)習平臺與現有資源整合的難易程度。這里我們將回答下面的問(wèn)題：

　　是否需要專(zhuān)門(mén)為此學(xué)習一種新語(yǔ)言？

　　是否能與當前已有的編程語(yǔ)言結合？

　　標準 2： 和相關(guān)機器學(xué)習、數據處理生態(tài)整合的緊密程度

　　我們做深度學(xué)習研究最后總離不開(kāi)各種數據處理、可視化、統計推斷等軟件包。這里我們要回答問(wèn)題：

　　建模之前，是否具有方便的數據預處理工具？當然大多平臺都自身帶了圖像、文本等預處理工具。

　　建模之后，是否具有方便的工具進(jìn)行結果分析，例如可視化、統計推斷、數據分析？

　　標準 3：通過(guò)此平臺做深度學(xué)習之外，還能做什么？

　　上面我們提到的不少平臺是專(zhuān)門(mén)為深度學(xué)習研究和應用進(jìn)行開(kāi)發(fā)的，不少平臺對分布式計算、GPU 等構架都有強大的優(yōu)化，能否用這些平臺/軟件做其他事情？

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

　　這個(gè)問(wèn)題可以涉及到現今深度學(xué)習平臺的一個(gè)方面，就是圖像計算和自動(dòng)化求導。

　　標準 4：對數據量、硬件的要求和支持

　　當然，深度學(xué)習在不同應用場(chǎng)景的數據量是不一樣的，這也就導致我們可能需要考慮分布式計算、多 GPU 計算的問(wèn)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點(diǎn)上進(jìn)行執行。

　　當下每個(gè)深度學(xué)習平臺都在快速發(fā)展，每個(gè)平臺對分布式計算等場(chǎng)景的支持也在不斷演進(jìn)。今天提到的部分內容可能在幾個(gè)月后就不再適用。

　　標準 5：深度學(xué)習平臺的成熟程度

　　成熟程度的考量是一個(gè)比較主觀(guān)的考量因素，我個(gè)人考量的因素包括：社區的活躍程度；是否容易和開(kāi)發(fā)人員進(jìn)行交流；當前應用的勢頭。

　　講了 5 個(gè)參考標準后，接下來(lái)我們用上面的這些標準對各個(gè)深度學(xué)習平臺進(jìn)行評價(jià)：

　　二、深度學(xué)習平臺評價(jià)

　　評判1：與現有編程平臺、技能整合的難易程度

　　標準1 考量的是深度學(xué)習平臺與現有資源整合的難易程度。這里我們將回答下面的問(wèn)題：是否需要專(zhuān)門(mén)為此學(xué)習一種新語(yǔ)言？是否能與當前已有的編程語(yǔ)言結合？

　　這一個(gè)問(wèn)題的干貨在下面這個(gè)表格。這里我們按照每個(gè)深度學(xué)習平臺的底層語(yǔ)言和用戶(hù)語(yǔ)言進(jìn)行總結，可以得到下表。

　　其中 Keras 通過(guò) Theano， TensorFlow 作為底層進(jìn)行建模。

　　我們可以看到這樣的趨勢：

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

　　操作語(yǔ)言往往會(huì )切近實(shí)際，我們大致可以斷定 Python 是未來(lái)深度學(xué)習的操作平臺語(yǔ)言，微軟在 CNTK 2.0 加入了對 Python 的支持。

　　當然，還有不少平臺可以通過(guò)腳本的方式配置網(wǎng)絡(luò )并且訓練模型。

　　從格局上來(lái)說(shuō)，Python 作為深度學(xué)習建模的基本語(yǔ)言是可以確定的。如果你最喜歡編程語(yǔ)言是 Python，恭喜您，大多數平臺都可以和你的技術(shù)無(wú)縫銜接。如果是 Java 也不用擔心，不少平臺也具有 Java 支持，Deeplearning4J 還是一個(gè)原生的 Java 深度學(xué)習平臺。

　　標準 2： 和相關(guān)機器學(xué)習、數據處理生態(tài)整合的緊密程度

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

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

　　我們可以發(fā)現，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?jì)?yōu)勢。

　　同時(shí) Caffe 具有大量圖像處理包，對數據觀(guān)察也具有非常大的優(yōu)勢。

　　標準 3：通過(guò)此平臺做深度學(xué)習之外，還能做什么？

　　下圖是本次公開(kāi)課的核心：

　　其實(shí)深度學(xué)習平臺在創(chuàng )造和設計時(shí)的側重點(diǎn)有所不同，我們按照功能可以將深度學(xué)習平臺分為上面六個(gè)方面：

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

　　內存、變量管理層：這一層包含對于具體單個(gè)中間變量的定義，如定義向量、矩陣，進(jìn)行內存空間分配。

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

　　基本簡(jiǎn)單函數：

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

　　○ 同時(shí)也包含求導模塊

　　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)習平臺在功能側重上是不一樣的，我將他們分成了四大類(lèi)：

　　1. 第一類(lèi)是以 Caffe， Torch， MXNet， CNTK 為主的深度學(xué)習功能性平臺。這類(lèi)平臺提供了非常完備的基本模塊，可以讓開(kāi)發(fā)人員快速創(chuàng )建深度神經(jīng)網(wǎng)絡(luò )模型并且開(kāi)始訓練，可以解決現今深度學(xué)習中的大多數問(wèn)題。但是這些模塊很少將底層運算功能直接暴露給用戶(hù)。

　　2. 第二類(lèi)是以 Keras 為主的深度學(xué)習抽象化平臺。Keras 本身并不具有底層運算協(xié)調的能力，Keras 依托于 TensorFlow 或者 Theano 進(jìn)行底層運算，而 Keras 自身提供神經(jīng)網(wǎng)絡(luò )模塊抽象化和訓練中的流程優(yōu)化?？梢宰層脩?hù)享受快速建模的同時(shí)，具有很方便的二次開(kāi)發(fā)能力，加入自身喜歡的模塊。

　　3. 第三類(lèi)是 TensorFlow。TensorFlow 吸取了已有平臺的長(cháng)處，既能讓用戶(hù)觸碰底層數據，又具有現成的神經(jīng)網(wǎng)絡(luò )模塊，可以讓用戶(hù)非?？焖俚膶?shí)現建模。TensorFlow 是非常優(yōu)秀的跨界平臺。

　　4. 第四類(lèi)是 Theano， Theano 是深度學(xué)習界最早的平臺軟件，專(zhuān)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)目標非常確定，只需要短平快出結果，那么第 1 類(lèi)平臺會(huì )適合你。

　　如果您需要進(jìn)行一些底層開(kāi)發(fā)，又不想失去現有模塊的方便，那么第 2、3 類(lèi)平臺會(huì )適合你。

　　如果你有統計、計算數學(xué)等背景，想利用已有工具進(jìn)行一些計算性開(kāi)發(fā)，那么第 3， 4 類(lèi)會(huì )適合你。

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

　　圖計算和符號求導：深度學(xué)習對開(kāi)源社區的巨大貢獻

　　大家可能會(huì )有疑問(wèn)：我能訓練出來(lái)深度學(xué)習模型就蠻好的了，為什么需要接觸底層呢？

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

　　符號求導是什么意思？

　　以前我們做機器學(xué)習等研究，如果要求導往往需要手動(dòng)把目標函數的導數求出來(lái)。最近一些深度學(xué)習工具，如 Theano， 推出了自動(dòng)化符號求導功能，這大大減少了開(kāi)發(fā)人員的工作量。

　　當然，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(méi)有在機器學(xué)習應用中被大量采用。

　　深度學(xué)習由于其網(wǎng)絡(luò )的復雜性，必須采用符號求導的方法才能解決目標函數過(guò)于復雜的問(wèn)題。另外一些非深度學(xué)習問(wèn)題，例如：二次型優(yōu)化等問(wèn)題，也都可以用這些深度學(xué)習工具來(lái)求解了。

　　更為優(yōu)秀的是，Theano 符號求導結果可以直接通過(guò) C程序編譯，成為底層語(yǔ)言，高效運行。

　　這里我們給一個(gè) 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(guò)符號求導的方法，很容易的求出 y 關(guān)于 x 的導數在 4 這個(gè)點(diǎn)的數值。

　　標準 4：對數據量、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(chēng)自己能夠完成任務(wù)。同時(shí)也有大量文獻說(shuō)某個(gè)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?，F在深度學(xué)習應用中，需要運用到多服務(wù)器訓練模型的場(chǎng)景往往只有圖像處理一個(gè)，如果是自然語(yǔ)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。如果數據量大，往往可以通過(guò) hadoop 等工具進(jìn)行數據預處理，將其縮小到單機可以處理的范圍內。

　　本人是比較傳統的人，從小就開(kāi)始自己折騰各種科學(xué)計算軟件的編譯?，F在主流的文獻看到的結果是，單機使用 GPU 能比 CPU 效率提高數十倍左右。

　　但是其實(shí)有些問(wèn)題，在 Linux 環(huán)境下，編譯 Numpy 的時(shí)候將線(xiàn)性函數包換為 Intel MLK 往往也可以得到類(lèi)似的提高。

　　當然現在很多評測，往往在不同硬件環(huán)境、網(wǎng)絡(luò )配置情況下，都會(huì )得到不一樣的結果。

　　就算在亞馬遜云平臺上面進(jìn)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(gè)心眼。前面我們提到的主要工具平臺，現在都對多 GPU、多節點(diǎn)模型訓練有不同程度的支持，而且現在也都在快速的發(fā)展中，我們建議聽(tīng)眾自己按照需求進(jìn)行鑒別。

　　標準 5：深度學(xué)習平臺的成熟程度

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

　　這里我們通過(guò) Github 上面幾個(gè)比較受歡迎的數量來(lái)判斷平臺的活躍程度。這些數據獲取于今天下午（2016-11-25）。我們用黑體標出了每個(gè)因子排名前三的平臺：

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

　　第二個(gè)因子是 Pull Request 的數量，Pull Request 衡量的是一個(gè)平臺的開(kāi)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，這些平臺在應用場(chǎng)景上有側重：

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

　　當然，對于非常廣義的應用、學(xué)習，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)習平臺的未來(lái)：

　　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(guān)點(diǎn)認為深度學(xué)習模型是戰略資產(chǎn)，應該用國產(chǎn)軟件，防止壟斷。我認為這樣的問(wèn)題不用擔心，首先 TensorFlow 等軟件是開(kāi)源的，可以通過(guò)代碼審查的方法進(jìn)行質(zhì)量把關(guān)。另外訓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(lái)的某一天，大家訓練出來(lái)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(wèn)題，這個(gè)時(shí)候我們只需要調用這些卷積層即可，不需要大規模卷積層訓練。另外這些卷積層可能會(huì )硬件化，成為我們手機芯片的一個(gè)小模塊，這樣我們的照片拍好的時(shí)候，就已經(jīng)完成了卷積操作。