11种深度学习框架影响力评估

编者按：Jeff Hale根据网上招聘、调研报告、网络搜索、论文、教程、GitHub等数据，评估了11种深度学习框架的影响力。

现在数据科学领域最热门的方向仍旧是深度学习。相应地，深度学习框架也处于飞速变革之中。现在最流行的框架，除Theano外，5年前都不存在。

我想搜集一些哪个框架更值得关注的证据，所以我搞了这个影响力评分。我使用了7个不同类别的11个数据源，以评估框架的使用量、兴趣、流行度。接着我对这些数据进行加权组合，得到了本文的结果。具体的代码可以在Kaggle Kernel上看到：discdiver/deep-learning-framework-power-scores-2018 2018年9月20日更新：应众多读者要求，我扩大了框架的评估范围，加入了Caffe、Deeplearning4J、Caffe2、Chainer。现在的评测包括了KDNuggets使用调研中所有报告使用率在1%以上的框架。

2018年9月21日更新：我改进了一些测度的方法。

不多啰嗦了，下面是深度学习框架的影响力评分：

毫无疑问，TensorFlow位居第一。不过我有一些意料之外的发现，详情见下。

框架

评测的所有框架都是开源的，除了其中一个框架外都提供了Python接口，有些框架提供了R或其他语言的接口。

TensorFlow是毫无争议的赢家。GitHub上最热，谷歌搜索最多，Medium文章、亚马逊书籍、ArXiv论文最多。使用TensorFlow的开发者最多，大多数网上招聘的工作描述中也提到了它。TensorFlow背后站着Google。

Keras拥有“为人类而不是机器设计的API”。几乎各项评估中，它都是第二流行的框架。Keras以TensorFlow、Theano或CNTK为底层引擎。如果你是深度学习的新手，建议从Keras开始。

总体而言，PyTorch是第三流行的框架，也是第二流行的独立框架。它比TensorFlow要年轻，流行度的增速十分迅猛。它也支持TensorFlow尚不支持的一些定制。PyTorch背后站着的是Facebook。

Caffe是第四流行的框架。它差不多快5岁了。相对而言，某些雇主还要求熟悉Caffe，一些学术论文也还用Caffe，但最近使用Caffe的人不多。

Theano是蒙特利尔大学2007年研发的，也是最古老的有显著影响力的Python深度学习框架。它的流行度降了一大截，主要开发者也宣布不会再发布加入新功能的大版本了。不过，目前仍有一些更新。Theano仍然是排名第五的框架。

亚马逊使用Apache孵化的MXNET。它是第六流行的深度学习库。

CNTK是微软的认知工具集。它让我想起了微软其他很多产品，试图和谷歌、Facebook提供的工具竞争，但没赢得多少使用。

Deeplearning4J，也称为DL4J，配套Java语言使用。它是唯一不提供Python接口的准流行框架。不过，你可以导入用Keras写的模型。这也是唯一一个两个不同的搜索项（Deeplearning4J和DL4J）偶尔返回不同结果的框架。我在每项测度中使用了较高的数字。由于这个框架的评分相当低，因此这并没有带来什么实质性的改变。

Caffe2是另一个Facebook开源产品。它基于Caffe构建，现在是PyTorch项目的一部分（同一GitHub仓库）。由于现在Caffe2没有自己的代码仓库，我使用了旧仓库的GitHub数据。

Chainer是由日本公司Preferred Networks开发的框架。它有一小批使用者。

FastAI基于PyTorch构建。它的API借鉴了Keras，只需很少的代码（比Keras还要少）就可以得到强力的结果。目前而言，FastAI属于前沿框架，目前正处于为预计2018年10月发布的1.0版本重写代码的阶段。FastAI的作者Jeremy Howard是Kaggle的主席。他曾经写过一篇Introducing Pytorch for fast.ai，讨论为何FastAI从使用Keras转向创建自己的框架。

现在还没有什么职位需要用这个框架，本身使用也不广泛。然而，由于FastAI的免费在线课程很流行，自然而然就有不少使用者。这个框架强大易用，因此可能会很快普及。

标准

我选择了以下7个类别来评估深度学习框架的流行度和关注度。

在线招聘描述

KDnuggets使用调研

谷歌搜索量

Medium文章

亚马逊数据

ArXiv论文

GitHub热度

数据采集自2018年9月16日至2018年9月21日，源数据可以通过谷歌试算表访问：https://docs.google.com/spreadsheets/d/1mYfHMZfuXGpZ0ggBVDot3SJMU-VsCsEGceEL8xd1QBo/edit?usp=sharing

我使用了Python的pandas库探索流行度，并使用plotly库进行可视化。如果你想要查看可交互的plotly图表，请访问我在文章开头提到过的Kaggle Kernel。

在线招聘描述

现在的工作市场上哪种深度学习库需求更高？我搜集了LinkedIn、Indeed、Simply Hired、Monster、Angel List的上的数据。

毫无疑问，TensorFlow是这方面的赢家。如果你想找一份深度学习的工作，可以学一下TensorFlow。

我通过“machine learning”（机器学习）加库名的方式搜索。比如，“machine learning TensorFlow”。我测试了若干搜索方法，这个方法可以得到相关性最高的结果。

之所以额外加上一个搜索词，是因为有些框架的名字可能有歧义，比如Caffe可能有多种含义。

使用量

KDnuggets是一个流行的数据科学网站。它在调研软件使用情况的时候提问：

你在过去12个月的真实项目上用了什么分析、大数据、数据科学、机器学习软件？

让人有点意外的是，Keras的使用量很高——差不多快赶上TensorFlow了。有意思，美国的雇主们热衷找具备TensorFlow技术的人，而Keras的使用率差不多一样高。

KDnuggets有好几年的数据。尽管我在分析中只使用了2018年的数据，我需要指出，2017年后，Caffe、Theano、MXNET、CNTK的使用量下降了。

谷歌搜索热度

最大搜索引擎上的网络搜索量是一项很好的评估流行度的指标。我查看了过去一年谷歌趋势的搜索历史。谷歌没有提供搜索量的绝对值，不过它提供了不同搜索项的对比图形。

Keras和TensorFlow的差距不大，PyTorch位居第三，其他框架的搜索量相对较低。

现在，让我们简单看下搜索量随时间的改变趋势，这能提供历史上下文。Google自带两年搜索趋势变化的图表。

红：TensorFlow；黄：Keras；蓝：PyTorch；绿：Caffe

过去一年里，TensorFlow的搜索量没什么显著增长，但Keras和PyTorch的搜索量增加了。谷歌趋势只允许同时比较五个搜索项，所以其他框架在另外的图表上比较——都没显示出什么明显的趋势，除了相对TensorFlow而言极低的搜索量。

发表

我纳入了多种发表类型。让我们先看下Medium文章。

Medium文章

Medium上有很多流行的数据科学文章和指南。

终于出现新赢家了，Keras超过了TensorFlow，而相比其他评估项，FastAI的表现很突出。

我猜想这可能是因为Keras和FastAI对初学者更友好。新的深度学习从业者对这两个框架的兴趣较大，而Medium上有大量教程。

我使用了谷歌的站内搜索，限定时间为12个月内，使用框架名加“learning”（学习）作为关键词——同样是为了避免“caffe”带来的歧义。相比其他关键词组合，这导致的搜索结果下降最少。

现在让我们看下亚马逊上有关这些框架的书籍数量。

亚马逊书籍

我在Amazon.com的图书 > 计算机技术分类下搜索每个深度学习框架的名称。

TensorFlow又获胜了。MXNET的书比期望的多，而Theano的书比期望的少。相对其流行度而言，PyTorch的书不多，这可能是因为这个框架比较年轻。注意这一测量偏向老框架，因为书的出版周期比较长。

ArXiv论文

机器学习方面的学术论文，最常发表在ArXiv上。我同样使用谷歌站内搜索，限定时间为12个月内。

TensorFlow还是第一。注意，相比学术论文而言，Keras在Meidum和亚马逊上要流行得多。PyTorch在这一类别排名第二，显示它在实现新想法方面的灵活性。Caffe的评分也相对较好。

GitHub热度

GitHub热度是另一项框架流行度的指标。我为收藏、分叉、关注、贡献者分别制作了图表，因为这些数据更适合分别呈现，而不是混在一起。

TensorFlow也是最流行的，有大量活跃用户。考虑到FastAI甚至还不满一岁，它在GitHub上的热度相当不错。有意思的是，相比另外三个测度，不同框架的贡献者数量总体而言比较接近。

收集、分析了所有数据后，是时候将它们整合成一个测度了。

影响力评分过程

我是这样得出影响力评分的：

将所有特征的尺度缩放至0到1

聚合在线招聘描述和GitHub热度的子类别

根据下图的权重对类别进行加权

如上图所示，在线招聘描述、KDnuggets一组，网络搜索、发表、GitHub热度一组，平分权重。这样划分看起来是最合适的，平衡了多种类别。

为了便于查看，各项加权评分乘以100

累加每个框架的各项评分以得到单一的影响力评分

下为各个类别的统计数据：

下为加权和聚合子类别后的各项评分：

这就得到了文章开头的图表：

100是最高可能得分，意味着在所有类别都是第一。TensorFlow几乎达到了100分，这并不令人意外，毕竟它在每个类别中都是第一（或者几乎是第一）。Keras毫无争议地位居第二。

我再重复一遍，如果你想要以可交互的方式查看图表，或者分叉Jupyter Notebook，请访问我开头提到的Kaggle Kernel。

未来

目前为止，TensorFlow的领先地位难以动摇。短期内，它应该会继续统治深度学习领域。不过，考虑到深度学习世界的飞速变革，长期来看，TensorFlow的领先可能发生变化。

时间会告诉我们，PyTorch是否能超越TensorFlow，就像React超越Angular一样。这两对框架还挺适合类比的。PyTorch和React都是由Facebook支撑的灵活度很高的框架，通常认为要比谷歌支撑的竞争者更容易使用。

FastAI能获取课程之外的用户吗？它有一大堆自带的学生用户，比Keras对初学者更友好的API。

你觉得未来会怎么样？请留言分享你的想法。

给学习者的建议

如果你掌握了Python、numpy、pandas、sklearn、matplotlib技能，考虑学习一个深度学习框架，我建议你从Keras开始。它的用户数量很大，也受到雇主的认可，Medium上也有很多文章可以参考，API也很容易使用。

如果你已经掌握了Keras，决定下一个要学习的框架不太容易。我建议你选择TensorFlow或者PyTorch，深入学习，以做出很棒的深度学习模型。

如果你想要熟练掌握需求量最大的框架，你应该选择TensorFlow。但研究人员很喜欢用PyTorch，因为它既易用又灵活。Quora上有一个关于选TensorFlow还是PyTorch的问题：https://www.quora.com/Should-I-go-for-TensorFlow-or-PyTorch

如果你具备了这些框架的经验，我建议你留意下FastAI。如果你想学习基础和高级的深度学习技能，可以看下FastAI的免费在线课程。FastAI 1.0许诺让你可以很容易地实现最新的深度学习策略，并快速迭代。

不管你选什么框架，我希望你现在对哪个深度学习框架需求最高，使用最多，文章最多有所了解。

如果你觉得这篇文章有意思或者有帮助，请多多转发、点赞，让更多人看到这篇文章。

快乐深度学习！