目前当红的人工智能（Artificial intelligence，AI）主要聚焦在深度学习（DeepLearning，DL）领域，想学习深度学习技术的人，第一步通常会遇到一大堆框架（Framework）却不知如何选择，而究竟什么是框架？框架如何用来表示模型？哪些才是主流框架？本文将会完整告诉你，协助找出最符合自己需求的框架。
何谓深度学习框架？
深度学习简单示意图
大家都知道只要准备一张纸和一只笔，加上源源不断的灵感，就能将想法转化成文字，创作出一篇令人感动的文章。但现在手写创作的人越来越少，只好选用一项电子书写（数字表达）的工具来创作。以Windows举例，可能用的是Note Pad（笔记本）、Word或PDF Editor，如果是学术写作的人可能较常用的是Latex，在网页上创作则可能是Html。
文章的好坏并不会因为工具的改变而有所不同，却会影响写作效率以及排版美观，改变读者对这篇文章的评价。虽然文章内容（基本元素）可轻易的在不同工具中转换，但遇到字体格式、图片、公式等特殊排版需求时，可能出现档案转不过去等问题，同时难以用来表达音乐、影像、视频。
在解决深度学习的问题中，较常见的是非时序性辨识问题，以及时序性的分析或预测问题。为了方便表达模型（Net ／Model）的结构、工作训练以及推论流程，因此产生了框架，用来正确表达深度学习的模型，就像在Windows上写文章需要有Note Pad、Word等，编辑影音内容要有威力导演、After Effect等一样。
因此，许多学术单位、开源社群甚至Google、Microsoft、Facebook这类知名大公司也纷纷推出自家的框架，以确保在这场AI大战中能占有一席之地。而有另一派人马，想要产生另一种可轻易转成各家的框架，例如微软的Word可以另存网页档（＊．html）、可携式文件格式（＊．pdf）、纯文本档（＊．txt）等。在介绍各家框架前，先来认识一下深度学习的模型究竟用了哪些元素？就像玩乐高积木前，要先知道有哪些模块可用，后续在学习各个框架的表示语法时才不会一头雾水。
常见深度学习模型介绍
首先介绍两个较著名的模型，包括非时序性的卷积神经网络（CNN） LeNet－5 ［1］以及时序性的递归神经网络（RNN），方便说明模型中常用到的元素与流程，如何用深度学习框架来表示。
卷积神经网络（CNN）
图一卷积神经网络（CNN） LeNet－5 ［1］
（图一）为最知名的卷积神经网络LeNet－5，主要是用来辨识手写数字（MNIST数据库），输入为一张8bit灰阶32×32像素的影像，而输出为十个节点，分别表示影像为十个数字的机率，这个模型几乎是所有研究深度学习的入门起手式。目前先不解释这个模型为何能学会辨识图像，而是单纯就模型组成以及表示方法来进行说明。
首先，说明卷积特征图 C1层，C1层上的红点，是由输入层（INPUT）红色框（5×5个像素）乘上5×5的卷积核加总后而得，依序由输入影像的左至右、上至下共享一个卷积核进行卷积，一次移动一个像素（Stride＝1），如此即可产生一张特征图，而C1层共享了六组卷积核，因此产生六张28×28像素的特征图。再来将影像进行池化，较常见的方式就是把相邻四点（如图一绿色框所示）中最大的点当成新点，称为Max Pooling，同时把影像长宽都减为一半，成为S2层。
接下来，对S2层以16组3×3卷积核进行卷积，产生C3层，共有16组10×10像素的特征图。同样地再对C3层进行池化产生S4层，变成16组5×5像素的特征图，最后再以16组5×5卷积核把S4层的16个特征图卷积变成16个输入点，再以传统全链接神经网络进行链接。C5层就是以16个输入点和隐藏层120点进行全连结，并依指定的激活函数将输出传到下一层，接下来再和下一组隐藏层F6的84点进行全连结，最后再和输出层（OUTPUT）的十个输出点进行全连结，并正规化输出得到各输出的机率，即完成整个LeNet－5模型（网络）结构。
综合上述内容可得知一个基本的卷积神经网络会有输入层、卷积层、池化层、全连结层及输出层。卷积层要定义卷积核大小、移动距离、输出特征图数量。而池化层同样需要定义核的大小（一般是2×2）、移动距离（一般是2）及池化方式（可以是取最大值或平均值）。全连结层部份则需要定义节点数量及激活函数类型（如：reLu、sigmoid等），最后输出层除了要定义正规化机率值（如：Softmax）外，还要定义损失函数以作为训练模型用。
前面提到的卷积神经网络CNN是一种前馈（Forward）的单向网络，其输出结果不会影响输入，但如果遇到如语音、翻译、视频这类时序问题时，CNN就搞不定了，此时就该轮到递归神经网络（RNN）登场了。
递归神经网络（RNN）
图二 递归神经网络（RNN）及型态
（图二）左图所示就是RNN最基本入门的模型，把此次输出的结果经过加权后，再和下一次的输入一起计算出下一次的输出，以串起输入数据的时序关连。从展开图可更清楚看出其关连，当前输出（ot）是由目前状态（st）乘上权重（U）加上前一状态（st－1）输出乘上权重（W）后，经过双曲正切（tanh）函数并乘上输出权重（V），最后取Softmax算式得出，依此类推可展开成任意级数的网络。
（图二）右图所示，RNN可以有很多种输出型态，一对一就等于单纯的前馈网络没有时序关系，另外也可以一对多、多对一、多对多等不同的输出方式，应用于时序性内容分类，例如语句情绪意图、音乐曲风、视频动作分析、影像加注标题等，或是型态移转（Style Transfer），例如语言翻译、文章音乐创作等。
对RNN而言，需要定义展开的级数、隐含层（或称为状态S）到隐含层权重矩阵（W）、输入层到隐含层权重（U）、隐含层到输出层权重（V）、激活函数（例如：tanh等）类型，以及输出层机率正规化方式（例如：Softmax等）。
常见深度学习框架及选用考虑
图三 常见深度学习框架
许多人准备开始进入深度学习世界时，最常问的问题就是到底要挑选哪一种框架来入门？有如（图三） 、（表格一）所示，从最大的开源社群Github上，就可找到二十种星星数超过一千的深度学习框架，包括TensorFlow、Keras、Caffe、PyTorch、CNTK、MXNet、DL4J、Theano、Torch7、Caffe2、Paddle、DSSTNE、tiny－dnn、Chainer、neon、ONNX、BigDL、DyNet、brainstorm、CoreML等，而排名第一名的TensorFlow更有近十万个星星。由此可知，深度学习非常受到大家重视，当选择深度框架时可以从好几个面向来考虑，以下将会分别介绍。
1． 程序语言
首先是开发时所使用的程序语言，如果要执行「训练」及「推论」效率好些，则可能要用C＋＋。若要上手容易、支持性强，则要考虑Python，从（表格一）中可看出有3／4的框架都支援Python。
若习惯使用Java开发程序，那大概就只有TensorFlow、DL4J和MXNet可选了。目前有一些框架（如TensorFlow、Caffe等）底层是C＋＋，应用层API是用Python，这类框架能取得不错的开发及执行效率。
若想改善底层效率时，还要考虑依不同硬件，学会OpenCL或Nvidia的CUDA／cuDNN等平行加速程序写法。
2． 执行平台
再来考虑的是可执行的操作系统及硬件（CPU、GPU）平台，目前大多数的框架都是在Linux CPU＋GPU的环境下执行，部份有支持单机多CPU（多线程）或多GPU协同计算以加速运行时间，甚至像TensorFlow、CNTK、DL4J、MXNet等框架还有支持丛集（Cluster）运算。
许多云端服务商（Google、Amazon、Microsoft等）也是采取这类组合，方便布署开发好的应用程序。另外也有些非主流的框架（如：tiny－dnn）只支持CPU而不支持GPU，这类框架的好处就是移植性较强，但工作效率很差，较适合小型系统。
如果是用Windows的人，英特尔（Intel）及微软（Microsoft）也分别有提供BigDL及CNTK，若使用Mac系统则要考虑使用CoreML。不过最近Google的TensorFlow为了吃下所有的市场，已经可以支持Linux、Windows、Mac甚至是Android，因此成为开源排行榜第一名。
3． 模型支持
目前常见的深度学习模型包含监督型（如CNN）、时序型（如RNN／LSTM）、增强学习（如Q－Learning）、转移学习、对抗生成（GAN）等，但不是每个框架都能全部支持。
举例来说：老牌的Caffe适合做监督型学习，但对于时序型学习就不太合适，遇到对抗生成模型时就更使不上力。若不清楚那些框架可支持的模型类型，可参考（表格一）的对应网址，前往各官网了解使用上的限制。
4． 框架转换
如果遇到需要串接不同平台或框架时，则要考虑选用具有提供跨框架功能。目前有几大阵营，像Keras可支持TensorFlow、Theano、MXNet、DL4J、CNTK，而微软和脸书联盟推的ONNX可支持Caffe2、CNTK、PyTorch等，但Google的TensorFlow却不愿加入该联盟。
另外，虽然框架之间可以转换，但不代表转换后的执行效率会和直接使用某个框架一样好，此时只能依实际需求来取舍是否拿弹性换取效能。
5． 社群支援
最后要考虑选用的框架社群是否活跃，是否很久没有维护（升级），甚至被预告即将淘汰，像Theano虽然功能强大也有很多人在用，但目前确定已不再更新版本，因此建议不要再跳坑了。另外对于英文不好的朋友，选用框架的社群讨论区、文字教程、操作视频等是否有中文支持也是很重要的，以免遇到问题不知向谁求救。
表格一 深度学习框架比较表
总结
对于新手来说，目前用Python＋Keras＋TensorFlow是最多人的选择，网络上也可取得最多资源（包含中文），可支持的操作系统、硬件平台、模型以及数学函式库也是最丰富的。特色是弹性大，相对容易开发，也是最容易布署在云端的解决方案。
但这样的组合并非完全没有缺点，例如CNTK的执行效率相较于MXNet略差，而Python需占用较多内存，不利于布署在本地端（或嵌入式系统）进行边缘计算，因此如何选择合适的框架，有赖于大家多花点心思了。
作者：许哲豪
