全文共3412字，預計學習時長7分鐘

在對TensorFlow、PyTorch和Keras做功能對比之前，先來了解一些它們各自的非競爭性柔性特點吧。

非競爭性特點

下文介紹了TensorFlow、PyTorch和Keras的幾個不同之處，便于讀者對這三個框架有初步了解。列出這些區別的重點不在于對三者做比較，而在于做一個初步介紹。

TensorFlow

· 開發者：Google

· 2017年1月發布1.0版本

PyTorch

· 開發者：Facebook

· 2018年10月發布1.0版本

· 基于Torch開發(Torch是基于Lua開發的另一個深度學習框架)

Keras

· 是一個高級API，降低了深度學習框架的復雜程度

· 可以在其他深度學習API，如TensorFlow、Theano和CNTK上運行

· 本身并不是一個庫

競爭性區別

下面將介紹這三個框架更加具有競爭性的區別。本文著重分析比較了這三個框架用于自然語言處理(Natural Language Processing，NLP)時的不同之處。

1. 可用的RNN類型

當試圖用深度學習方法來解決NLP問題時，循環神經網絡(Recurrent Neural Networks，RNNs)是開發者最常用的專業架構。因此，本文也選擇從這一角度切入來比較TensorFlow、PyTorch和Keras框架。

本文比較的三種框架都具有可用于構建簡單RNN以及更復雜的RNN——門控循環單元(Gated Recurrent Units，GRU)和長短時記憶網絡(Long Short Term Memory networks，LSTM)的模塊。

PyTorch：

PyTorch提供2種不同層次的類別(class)用于構建循環網絡：

· 多層次類別(Multi-layer classes)，包括nn.RNN、nn.GRU和nn.LSTM。這些類別的基類(Object)可用于表示深度雙向循環神經網絡。

· 單元層類別(Cell-level classes)，包括nn.RNNCell、nn.GRUCell和nn.LSTMCell。這些類別的基類僅可用于表示單個單元(如簡單RNN、LSTM及GRU的單元)，即處理輸入數據一個時間步長的單元。

因此，當神經網絡中不需要太多定制時，多層次類別對單元層類別來說，就像是不錯的包裝類(wrapper)。

此外，構建一個雙向RNN非常簡單，只需在多層次類別中將雙向實參設置為True就可以了。

TensorFlow：

TensorFlow提供tf.nn.rnn_cell模塊用于構建標準RNN。

tf.nn.rnn_cell模塊中最重要的類別包括：

· 單元層類別(Cell level classes)：用于定義RNN的單個單元，即BasicRNNCell、GRUCell和LSTMCell。

· 多RNN單元類別(MultiRNNCell class)：用于堆棧多個單元，以創建深度RNN。

· 隨機失活包裝類別(DropoutWrapper class)：用于執行dropout正則化。

Keras：

Keras庫提供的循環層包括：

· 簡單RNN——全連接RNN，其輸出被反饋到輸入中

· GRU——門控循環單元層

· LSTM——長短時記憶層

TensorFlow、PyTorch和Keras都具有構建常見RNN架構的內置功能。它們的區別在于接口不同。

Keras的接口非常簡單，包含一小串定義明確的參數，能夠使上述類別的執行更加簡單。作為一個能夠在TensorFlow上運行的高級API，Keras使得TensorFlow更加簡單。TensorFlow和PyTorch兩者的靈活性差不多，但是后者的接口更加簡潔明了。

2. TensorFlow、PyTorch、Keras易用性對比

TensorFlow常因其范圍狹小的API而被詬病。相比之下，PyTorch對用戶則更為友好，使用也更加簡單。總之，PyTorch與Python語言的融合更為緊密，也更加自然。而在TensorFlow框架中編寫程序時，程序員常感到自己與模型之間仿佛隔著一堵磚墻，只留下了幾個洞孔用于交流。

下文將討論并比較更多影響這三個框架易用性的因素：

· 靜態計算圖vs動態計算圖：

計算圖是NLP中非常重要的一個因素。TensorFlow使用靜態計算圖，PyTorch則使用動態計算圖。

這也就意味著在TensorFlow中，需要先靜態定義計算圖，再運行模型。所有與外界的溝通都通過tf.Session對象和tf.Placeholder進行，而這兩個張量在運行時庫中都會被外部數據替代。

PyTorch中的計算圖則更為重要和靈活。用戶可以根據需要定義、改變和執行節點，無需依賴特殊的會話接口或占位符。

RNN靜態圖的輸入序列長度通常是固定的。也就是說，開發一個英文句子情感分析模型必須將句子長度固定到某個最大值，并用0填充所有過短的序列。這真的很不方便。

· 調試：

由于PyTorch在運行時庫中定義計算圖，所以用戶可以使用自己喜愛的調試工具，如pdb、ipdb、PyCharm debugger、old trusty print statements等。

但上述情況并不適用于TensorFlow。在TensorFlow中，用戶可以選擇使用一個名為tfdbg的特殊工具，用于評估運行時庫的TensorFlow表達式和瀏覽會話作用域中的所有張量和操作。但是，這一工具顯然不能調試python代碼。所以用戶還必須再使用pdb進行調試。

· 社區規模：

和PyTorch相比，TensorFlow更加成熟，其社區規模比PyTorch和Keras的社區規模加起來還要大得多，用戶基數的增長也比PyTorch和Keras要快。

這也就意味著：

· 有更大規模的社區，如StackOverFlow上的社區，幫助你解決問題

· 有更多的線上學習資料，如博客、視頻、課程等

· 能更快掌握最新的深度學習技術

NLP的未來

循環神經網絡作為用作NLP任務的專業架構已經有相當長的一段時間了，但這一情況并不會長期不變。一個最新開發的基于注意力機制的變換模型(transformer model)已經在研究者之間流行開來。

這一模型已經代替RNN成為了新的NLP標準。一些評論家認為，Transformer將會成為2019年主流NLP深度學習架構。

在這場比賽中，TensorFlow似乎領先于另外兩個框架：

· 首先，注意力架構是Google自己研發的。

· 其次，只有TensorFlow有Transformer穩定版架構。

但這并不是說PyTorch已經遠遠地落在了后面。Huggingface的GitHub已經發布了很多預訓練的PyTorch transformer模型：https://github.com/huggingface/pytorch-transformers。

另外，Google最近發布的TensorFlow 2.0很可能將帶來翻天覆地的變化！

具體來說：

· Keras將會成為TensorFlow的高級API，其功能將會被擴展，使得用戶能夠在tf.keras上直接使用TensorFlow的最新功能。任一范圍的TensorFlow及其硬件設備都將具備Keras的簡便性。

· TensorFlow 2.0默認為動態圖機制(eager execution)。用戶甚至在eager context中也可以使用計算圖，這將使調試和原型設計更為簡單。TensorFlow運行時庫則會在后臺調控性能和規模。

· TensorBoard會和Keras整合——這在目前無法實現。

所以，本文猜想，TensorFlow 2.0將會消除幾乎所有TensorFlow的不足。TensorFlow作為所有深度學習任務專業框架的地位將會得到鞏固，甚至變得更好！

留言 點贊 關注

我們一起分享AI學習與發展的干貨

編譯組：王努銥、楊月

相關鏈接：

https://dzone.com/articles/tensorflow-vs-pytorch-vs-keras-for-nlp

如需轉載，請后臺留言，遵守轉載規范

總結

以上是生活随笔為你收集整理的keras cnn注意力机制_TensorFlow、PyTorch、Keras：NLP框架哪家强的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。