Press "Enter" to skip to content

对比Keras和PyTorch四个方面的不同

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

描述

 

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,那幺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幺多步骤!

 

我想这样你总能意识到发生了什幺。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 device
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
# Transfer the network to GPU
net.to(device)
# Transfer the inputs and labels to GPU
inputs, 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,那幺PyTorch就是首选库。

 

其他对比文章:

 

【深度学习框架】keras、pytorch对比:https://blog.csdn.net/weixin_42802447/article/details/112933627

 

【非常精彩的总结】keras pytorch 构建模型对比:https://blog.csdn.net/normol/article/details/88092454?spm=1001.2014.3001.5502

Be First to Comment

发表评论

您的电子邮箱地址不会被公开。