如果你對深度學習和卷積神經(jīng)網(wǎng)絡(luò)感興趣，但是并不知道從哪里開始，也不知道使用哪種庫，那么這里就為你提供了許多幫助。

在這篇文章里，我詳細解讀了9個我最喜歡的Python深度學習庫。

這個名單并不詳盡，它只是我在計算機視覺的職業(yè)生涯中使用并在某個時間段發(fā)現(xiàn)特別有用的一個庫的列表。

這其中的一些庫我比別人用的多很多，尤其是Keras、mxnet和sklearn-theano。

其他的一些我是間接的使用，比如Theano和TensorFlow(庫包括Keras、deepy和Blocks等)。

另外的我只是在一些特別的任務(wù)中用過(比如nolearn和他們的DeepBeliefNetworkimplementation)。

這篇文章的目的是向你介紹這些庫。我建議你認真了解這里的每一個庫，然后在某個具體工作情境中你就可以確定一個最適用的庫。

我想再次重申，這份名單并不詳盡。此外，由于我是計算機視覺研究人員并長期活躍在這個領(lǐng)域，對卷積神經(jīng)網(wǎng)絡(luò)(細胞神經(jīng)網(wǎng)絡(luò))方面的庫會關(guān)注更多。

我把這個深度學習庫的列表分為三個部分。

第一部分是比較流行的庫，你可能已經(jīng)很熟悉了。對于這些庫，我提供了一個通俗的、高層次的概述。然后，針對每個庫我詳細解說了我的喜歡之處和不喜歡之處，并列舉了一些適當?shù)膽?yīng)用案例。

第二部分進入到我個人最喜歡的深度學習庫，也是我日常工作中使用最多的，包括：Keras、mxnet和sklearn-theano等。

最后，我對第一部分中不經(jīng)常使用的庫做了一個“福利”板塊，你或許還會從中發(fā)現(xiàn)有用的或者是在第二板塊中我還沒有嘗試過但看起來很有趣的庫。

接下來就讓我們繼續(xù)探索。

針對初學者：

Caffe

提到“深度學習庫”就不可能不說到Caffe。事實上，自從你打開這個頁面學習深度學習庫，我就敢打保票你肯定聽說Caffe。

那么，究竟Caffe是什么呢?

Caffe是由BerkeleyVisionandLearningCenter(BVLC)建立的深度學習框架。它是模塊化的，速度極快。而且被應(yīng)用于學術(shù)界和產(chǎn)業(yè)界的start-of-the-art應(yīng)用程序中。

事實上，如果你去翻閱最新的深度學習出版物(也提供源代碼)，你就很可能會在它們相關(guān)的GitHub庫中找到Caffe模型。

雖然Caffe本身并不是一個Python庫，但它提供綁定到Python上的編程語言。我們通常在新領(lǐng)域開拓網(wǎng)絡(luò)的時候使用這些綁定。

我把Caffe放在這個列表的原因是它幾乎被應(yīng)用在各個方面。你可以在一個空白文檔里定義你的模型架構(gòu)和解決方案，建立一個JSON文件類型的.prototxt配置文件。Caffe二進制文件提取這些.prototxt文件并培訓你的網(wǎng)絡(luò)。Caffe完成培訓之后，你可以把你的網(wǎng)絡(luò)和經(jīng)過分類的新圖像通過Caffe二進制文件，更好的就直接通過Python或MATLAB的API。

雖然我很喜歡Caffe的性能(它每天可以在K40GPU上處理60萬張圖片)，但相比之下我更喜歡Keras和mxnet。

主要的原因是，在.prototxt文件內(nèi)部構(gòu)建架構(gòu)可能會變得相當乏味和無聊。更重要的是，Caffe不能用編程方式調(diào)整超參數(shù)!由于這兩個原因，在基于Python的API中我傾向于對允許我實現(xiàn)終端到終端聯(lián)播網(wǎng)的庫傾斜(包括交叉驗證和調(diào)整超參數(shù))。

Theano

在最開始我想說Theano是美麗的。如果沒有Theano，我們根本不會達到現(xiàn)有的深度學習庫的數(shù)量(特別是在Python)。同樣的，如果沒有numpy，我們就不會有SciPy、scikit-learn和scikit-image,，同樣可以說是關(guān)于Theano和深度學習更高級別的抽象。

非常核心的是，Theano是一個Python庫，用來定義、優(yōu)化和評估涉及多維數(shù)組的數(shù)學表達式。Theano通過與numpy的緊密集成，透明地使用GPU來完成這些工作。

雖然可以利用Theano建立深度學習網(wǎng)絡(luò)，但我傾向于認為Theano是神經(jīng)網(wǎng)絡(luò)的基石，同樣的numpy是作為科學計算的基石。事實上，大多數(shù)我在文章中提到的庫都是圍繞著Theano，使自己變得更加便利。

不要誤會我的意思，我愛Theano，我只是不喜歡用Theano編寫代碼。

在Theano建設(shè)卷積神經(jīng)網(wǎng)絡(luò)就像只用本機Python中的numpy寫一個定制的支持向量機(SVM)，當然這個對比并不是很完美。

你可以做到嗎?

當然可以。

它值得花費您的時間和精力嗎?

嗯，也許吧。這取決于你是否想擺脫低級別或你的應(yīng)用是否需要。

就個人而言，我寧愿使用像Keras這樣的庫，它把Theano包裝成更有人性化的API，同樣的方式，scikit-learn使機器學習算法工作變得更加容易。

TensorFlow

與Theano類似，TensorFlow是使用數(shù)據(jù)流圖進行數(shù)值計算的開源庫(這是所有神經(jīng)網(wǎng)絡(luò)固有的特征)。最初由谷歌的機器智能研究機構(gòu)內(nèi)的GoogleBrainTeam研究人員開發(fā)，此后庫一直開源，并提供給公眾。

相比于Theano，TensorFlow的主要優(yōu)點是分布式計算，特別是在多GPU的環(huán)境中(雖然這是Theano正在攻克的項目)。

除了用TensorFlow而不是Theano替換Keras后端，對于TensorFlow庫我并沒有太多的經(jīng)驗。然而在接下來的幾個月里，我希望這有所改變。

Lasagne

Lasagne是Theano中用于構(gòu)建和訓練網(wǎng)絡(luò)的輕量級庫。這里的關(guān)鍵詞是輕量級的，也就意味著它不是一個像Keras一樣圍繞著Theano的重包裝的庫。雖然這會導致你的代碼更加繁瑣，但它會把你從各種限制中解脫出來，同時還可以讓您根據(jù)Theano進行模塊化的構(gòu)建。

簡而言之：Lasagne的功能是Theano的低級編程和Keras的高級抽象之間的一個折中。

我最喜歡的：

Keras

如果我必須選出一個最喜歡的深度學習Python庫，我將很難在Keras和mxnet中做出抉擇——但最后，我想我會選Keras。

說真的，Keras的好處我說都說不完。

Keras是一個最低限度的、模塊化的神經(jīng)網(wǎng)絡(luò)庫，可以使用Theano或TensorFlow作為后端。Keras最主要的用戶體驗是，從構(gòu)思到產(chǎn)生結(jié)果將會是一個非常迅速的過程。

在Keras中架構(gòu)網(wǎng)絡(luò)設(shè)計是十分輕松自然的。它包括一些state-of-the-art中針對優(yōu)化(Adam，RMSProp)、標準化(BatchNorm)和激活層(PReLU，ELU，LeakyReLU)最新的算法。

Keras也非常注重卷積神經(jīng)網(wǎng)絡(luò)，這也是我十分需要的。無論它是有意還是無意的，我覺得從計算機視覺的角度來看這是非常有價值的。

更重要的是，你既可以輕松地構(gòu)建基于序列的網(wǎng)絡(luò)(其中輸入線性流經(jīng)網(wǎng)絡(luò))又可以創(chuàng)建基于圖形的網(wǎng)絡(luò)(輸入可以“跳過”某些層直接和后面對接)。這使得創(chuàng)建像GoogLeNet和SqueezeNet這樣復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)變得容易得多。

我認為Keras唯一的問題是它不支持多GPU環(huán)境中并行地訓練網(wǎng)絡(luò)。這可能會也可能不會成為你的大忌。

如果我想盡快地訓練網(wǎng)絡(luò)，那么我可能會使用mxnet。但是如果我需要調(diào)整超參數(shù)，我就會用Keras設(shè)置四個獨立的實驗(分別在我的TitanXGPUs上運行)并評估結(jié)果。

mxnet

我第二喜歡的深度學習Python庫無疑就是mxnet(重點也是訓練圖像分類網(wǎng)絡(luò))。雖然在mxnet中站立一個網(wǎng)絡(luò)可能需要較多的代碼，但它會提供給你驚人數(shù)量的語言綁定(C++、Python、R、JavaScript等)。

Mxnet庫真正出色的是分布式計算，它支持在多個CPU/GPU機訓練你的網(wǎng)絡(luò)，甚至可以在AWS、Azure以及YARN集群。

它確實需要更多的代碼來設(shè)立一個實驗并在mxnet上運行(與Keras相比)，但如果你需要跨多個GPU或系統(tǒng)分配訓練，我推薦mxnet。

sklearn-theano

有時候你并不需要終端到終端的培養(yǎng)一個卷積神經(jīng)網(wǎng)絡(luò)。相反，你需要把CNN看作一個特征提取器。當你沒有足夠的數(shù)據(jù)來從頭培養(yǎng)一個完整的CNN時它就會變得特別有用。僅僅需要把你的輸入圖像放入流行的預(yù)先訓練架構(gòu)，如OverFeat、AlexNet、VGGNet或GoogLeNet，然后從FC層提取特征(或任何您要使用的層)。

總之，這就是sklearn-theano的功能所在。你不能用它從頭到尾的訓練一個模型，但它的神奇之處就是可以把網(wǎng)絡(luò)作為特征提取器。當需要評估一個特定的問題是否適合使用深度學習來解決時，我傾向于使用這個庫作為我的第一手判斷。

nolearn

我在PyImageSearch博客上用過幾次nolearn，主要是在我的MacBookPro上進行一些初步的GPU實驗和在AmazonEC2GPU實例中進行深度學習。

Keras把Theano和TensorFlow包裝成了更具人性化的API，而nolearn也為Lasagne做了相同的事。此外，nolearn中所有的代碼都是與scikit-learn兼容的，這對我來說絕對是個超級的福利。

我個人不使用nolearn做卷積神經(jīng)網(wǎng)絡(luò)(CNNs)，但你當然也可以用(我更喜歡用Keras和mxnet來做CNNs)。我主要用nolearn來制作DeepBeliefNetworks(DBNs)。

DIGITS

DIGITS并不是一個真正的深度學習庫(雖然它是用Python寫的)。DIGITS(深度學習GPU培訓系統(tǒng))實際上是用于培訓Caffe深度學習模式的web應(yīng)用程序(雖然我認為你可以破解源代碼然后使用Caffe以外其他的后端進行工作，但這聽起來就像一場噩夢)。

如果你曾經(jīng)用過Caffe，那么你就會知道通過它的終端來定義.prototxt文件、生成圖像數(shù)據(jù)、運行網(wǎng)絡(luò)并監(jiān)管你的網(wǎng)絡(luò)訓練是相當繁瑣的。DIGITS旨在通過讓你在瀏覽器中執(zhí)行這些任務(wù)來解決這個問題。

此外，DIGITS的用戶界面非常出色，它可以為你提供有價值的統(tǒng)計數(shù)據(jù)和圖表作為你的模型訓練。另外，你可以通過各種輸入輕松地可視化網(wǎng)絡(luò)中的激活層。最后，如果您想測試一個特定的圖像，您可以把圖片上傳到你的DIGITS服務(wù)器或進入圖片的URL，然后你的Caffe模型將會自動分類圖像并把結(jié)果顯示在瀏覽器中。干凈利落!

Blocks

說實話，雖然我一直想嘗試，但截至目前我的確從來沒用過Blocks(這也是我把它包括在這個列表里的原因)。就像許多個在這個列表中的其他庫一樣，Blocks建立在Theano之上，呈現(xiàn)出一個用戶友好型的API。

deepy

如果讓你猜deepy是圍繞哪個庫建立的，你會猜什么?

沒錯，就是Theano。

我記得在前一段時間用過deepy(做了初始提交)，但在接下里的大概6-8個月我都沒有碰它了。我打算在接下來的博客文章里再嘗試一下。

pylearn2

雖然我從沒有主動地使用pylearn2，但由于歷史原因，我覺得很有必要把它包括在這個列表里。Pylearn2不僅僅是一般的機器學習庫(地位類似于scikit-learn)，也包含了深度學習算法的實現(xiàn)。

對于pylearn2我最大的擔憂就是(在撰寫本文時)，它沒有一個活躍的開發(fā)者。正因為如此，相比于像Keras和mxnet這樣的有積極維護的庫，推薦pylearn2我還有些猶豫。

Deeplearning4j

這本應(yīng)是一個基于Python的列表，但我想我會把Deeplearning4j包括在這里，主要是出于對他們所做事跡的無比崇敬——Deeplearning4j為JVM建立了一個開源的、分布式的深度學習庫。

如果您在企業(yè)工作，你可能會有一個塞滿了用過的Hadoop和MapReduce服務(wù)器的儲存器。也許這些你還在用，也許早就不用了。

你怎樣才能把這些相同的服務(wù)器應(yīng)用到深度學習里?

事實證明是可以的——你只需要Deeplearning4j。

以上內(nèi)容為大家介紹了最常用的Python深度學習庫，希望對大家有所幫助，如果想要了解更多Python相關(guān)知識，請關(guān)注IT培訓機構(gòu):千鋒教育。http://www.jsszjs.cn/