对比Keras和PyTorch四个方面的不同

Keras和PyTorch变得极为流行，主要原因是它们比TensorFlow更容易使用。本文对比了Keras和PyTorch四个方面的不同，读者可以针对自己的任务来选择。

对于许多科学家、工程师和开发人员来说，TensorFlow是他们的第一个深度学习框架。但indus.ai公司机器学习工程师George Seif认为，TF并不是非常的用户友好。

相比TF，Seif认为Keras和PyTorch比TensorFlow更易用，已经获得了巨大的普及。

Keras本身不是框架，而是一个位于其他Deep Learning框架之上的高级API。目前它支持TensorFlow，Theano和CNTK。Keras是迄今为止启动和运行最快最简单的框架。定义神经网络是直观的，使用功能性API允许人们将层定义为函数。

而PyTorch像Keras一样，它也抽象了深度网络编程的大部分混乱部分。PyTorch介于Keras和TensorFlow之间，比Keras拥有更灵活、更好的控制力，与此同时用户又不必做任何疯狂的声明式编程。

深度学习练习者整天都在争论应该使用哪个框架。接下来我们将通过4个不同方面，来对比Keras和PyTorch，最终初学者会明白应该选谁。

用于定义模型的类与函数

Keras提供功能性API来定义深度学习模型。神经网络被定义为一组顺序函数，功能定义层1的输出是功能定义层2的输入，例如下面demo代码：

img_input = layers.Input(shape=input_shape)x = layers.Conv2D(64, (3, 3), activation='relu')(img_input)x = layers.Conv2D(64, (3, 3), activation='relu')(x)x = layers.MaxPooling2D((2, 2), strides=(2, 2))(x)

而PyTorch将网络设置为一个类，扩展了Torch库中的torch.nn.Module，PyTorch允许用户访问所有Python的类功能而不是简单的函数调用。与Keras类似，PyTorch提供了层作为构建块，但由于它们位于Python类中，因此它们在类的__init __（）方法中引用，并由类的forward（）方法执行。例如下面demo代码：

class Net(nn.Module): def __init__(self): super(Net, self).__init__() self.conv1 = nn.Conv2d(3, 64, 3) self.conv2 = nn.Conv2d(64, 64, 3) self.pool = nn.MaxPool2d(2, 2) def forward(self, x): x = F.relu(self.conv1(x)) x = self.pool(F.relu(self.conv2(x))) return xmodel = Net()

所以如果你想更清晰、更优雅地定义网络，可以选择PyTorch；如果只是求快好上手，可以选择Keras。

张量、计算图与标准阵列

Keras API隐藏了编码器的许多混乱细节。定义网络层非常直观，默认设置已经足以应付大部分情况，不需要涉及到非常底层的内容。

而当你真正触达到更底层的TensorFlow代码时，同时你也获得了随之而来的最具有挑战性的部分：你需要确保所有矩阵乘法都排成一行。哦对了，甚至别指望打印出图层的一个输出，因为你只会在终端上打印出一个漂亮的Tensor定义。

相比起来，PyTorch在这些方面就做的更让人欣慰一些。你需要知道每个层的输入和输出大小，但这很快就能掌握。同时你也不必处理构建一个无法在调试中看到的抽象计算图。

PyTorch的另一个优势是可以在Torch Tensors和Numpy阵列之间来回切换。而反观TF，如果需要实现自定义的东西，在TF张量和Numpy阵列之间来回转换可能会很麻烦，需要开发人员对TensorFlow会话有充分的了解。

PyTorch上这种操作实际上要简单得多。你只需要知道两个操作：一个将Torch Tensor（一个Variable对象）切换到Numpy，另一个反过来。

当然，如果不需要实现任何花哨的东西，那么Keras会做得很好，因为你不会遇到任何TensorFlow路障。

训练模型

在Keras上训练模型非常容易！一个简单的.fit（）走四方。下面是demo代码：

history = model.fit_generator( generator=train_generator, epochs=10, validation_data=validation_generator)

但在PyTorch中训练模型就费点事了，包括几个步骤：

在每批训练开始时初始化梯度

运行正向传递模式

运行向后传递

计算损失并更新权重

for epoch in range(2): # loop over the dataset multiple times running_loss = 0.0 for i, data in enumerate(trainloader, 0): # Get the inputs; data is a list of [inputs, labels] inputs, labels = data # (1) Initialise gradients optimizer.zero_grad() # (2) Forward pass outputs = net(inputs) loss = criterion(outputs, labels) # (3) Backward loss.backward() # (4) Compute the loss and update the weights optimizer.step()

你看看，就运行个训练就得这么多步骤！

我想这样你总能意识到发生了什么。同时，由于这些模型训练步骤在训练不同模型时基本保持不变，因此非常不必要。

控制CPU与GPU模式

如果安装了tensorflow-gpu，默认情况下在Keras中启用并完成使用GPU。然后，如果希望将某些操作移动到CPU，则可以使用单行操作。

with tf.device('/cpu:0'): y = apply_non_max_suppression(x)

在PyTorch就得费点劲，你必须为每个Torch张量和numpy变量明确启用GPU。如果在CPU和GPU之间来回切换以进行不同的操作，就会使代码变得混乱并且容易出错。

例如，要将我们以前的模型转移到GPU上运行，我们必须执行以下操作：

# Get the GPU devicedevice = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")# Transfer the network to GPUnet.to(device)# Transfer the inputs and labels to GPUinputs, labels = data[0].to(device), data[1].to(device)

在GPU这块，Keras凭借其简洁和漂亮的默认设置赢得了胜利。

选择框架的建议

Seif通常给出的建议是从Keras开始，毕竟又快、又简单、又好用！你甚至可以执行自定义图层和损失函数的操作，而无需触及任何一行TensorFlow。

但如果你确实开始深入了解深层网络中更细粒度的方面，或者正在实现非标准的东西，那么PyTorch就是首选库。