深度学习工具选择 | Keras VS PyTorch,还是？

做出合适选择的最佳方法是对每个框架的代码样式有一个概览。开发任何解决方案时首先也是最重要的事就是开发工具。你必须在开始一项工程之前设置好开发工具。一旦开始，就不能一直换工具了，否则会影响你的开发效率。

作为初学者，你应该多尝试不同的工具，找到最适合你的那一个。但是当你认真开发一个项目时，这些事应该提前计划好。

每天都会有新的框架和工具投入市场，而最好的工具能够在定制和抽象之间做好平衡。工具应该和你的思考方式和代码样式同步。因此要想找到适合自己的工具，首先你要多尝试不同的工具。

我们同时用Keras和PyTorch训练一个简单的模型。如果你是深度学习初学者，对有些概念无法完全理解，不要担心。从现在开始，专注于这两个框架的代码样式，尽量去想象哪个最适合你，使用哪个工具你最舒服，也最容易适应。

这两个工具最大的区别在于：PyTorch默认为eager模式，而 Keras 基于TensorFlow和其他框架运行（现在主要是 TensorFlow），其默认模式为图模式。最新版本的 TensorFlow也提供类似PyTorch的eager模式，但是速度较慢。

如果你熟悉 NumPy，你可以将PyTorch视为有GPU支持的 NumPy。此外，现在有多个具备高级API（如 Keras）且以PyTorch为后端框架的库，如Fastai、Lightning、Ignite等。如果你对它们感兴趣，那你选择PyTorch的理由就多了一个。

在不同的框架里有不同的模型实现方法。让我们看一下这两种框架里的简单实现。本文提供了Google Colab链接。打开链接，试验代码，这可以帮助你找到最适合自己的框架。

我不会给出太多细节，因为在此，我们的目标是看一下代码结构，简单熟悉一下框架的样式。

以下示例是数字识别的实现。代码很容易理解。你需要打开colab，试验代码，至少自己运行一遍。

Keras自带一些样本数据集，如MNIST手写数字数据集。以上代码可以加载这些数据，数据集图像是NumPy数组格式。Keras 还做了一点图像预处理，使数据适用于模型。

以上代码展示了模型。在Keras（TensorFlow）上，我们首先需要定义要使用的东西，然后立刻运行。在Keras中，我们无法随时随地进行试验，不过PyTorch可以。

以上的代码用于训练和评估模型。我们可以使用save() 函数来保存模型，以便后续用load_model()函数加载模型。predict()函数则用来获取模型在测试数据上的输出。

现在我们概览了Keras基本模型实现过程，现在来看PyTorch。

研究人员大多使用PyTorch，因为它比较灵活，代码样式也是试验性的。你可以在PyTorch中调整任何事，并控制全部。

在PyTorch里进行试验是很容易的。因为你不需要先定义好每一件事再运行。我们能够轻松测试每一步。因此，在PyTorch中debug要比在 Keras 中容易一些。

接下来，我们来看简单的数字识别模型实现。

以上代码导入了必需的库，并定义了一些变量。n_epochs、momentum等变量都是必须设置的超参数。此处不讨论细节，我们的目的是理解代码的结构。

以上代码旨在声明用于加载训练所用批量数据的数据加载器。下载数据有很多种方式，不受框架限制。如果你刚开始学习深度学习，以上代码可能看起来比较复杂。

在此，我们定义了模型。这是一种创建网络的通用方法。我们扩展了nn.Module，在前向传递中调用forward()函数。

PyTorch的实现比较直接，且能够根据需要进行修改。

以上代码段定义了训练和测试函数。在Keras中，我们需要调用fit()函数把这些事自动做完。但是在PyTorch中，我们必须手动执行这些步骤。像Fastai这样的高级API库会简化它，训练所需的代码也更少。

最后，保存和加载模型，以进行二次训练或预测。这部分没有太多差别。PyTorch模型通常有pt或pth扩展。

学会一种模型并理解其概念后，再转向另一种模型，并不是件难事，只是需要一些时间。可以是两个都学，但是不需要两个都深入地学。

你应该从一个开始，然后在该框架中实现模型，同时也应当掌握另一个框架的知识。这有助于你阅读别人用另一个框架写的代码。永远不要被框架限制住。

先从适合自己的框架开始，然后尝试学习另一个。如果你发现另一个用起来更合适，那么转换成另一个。因为PyTorch和Keras的大多数核心概念是类似的，二者之间的转换非常容易。

外网原文链接：https://medium.com/@karan_jakhar/keras-vs-pytorch-dilemma-dc434e5b5ae0

实践出真知，寻找最适合自己的深度学习框架，需要多多尝试。此时拥有一台性能强劲的深度学习工作站，寻找心仪框架事半功倍，令您研究得心应手。Cloudhin®云轩专注Deep learning和高性能计算服务器定制，针对主要深度学习框架（如TensorFlow、Caffe 2、Theano或Torch）进行了优化和设置，在桌面上即可提供强大的深度学习功能。

Cloudhin®云轩WS4148深度学习水冷工作站搭载6核12线程Intel Core i7 X系列处理器，配合英特尔睿频加速MAX技术3.0助力高效进行计算密集型工作负载。可选四路Nvidia Titan V GPU，将超算架构带入您的PC，单块即有12GB HBM2显存和640个Tensor核心，可提供110万亿次浮点运算性能。强强联合，尽享GPU加速人工智能和深度学习的强大功能，帮助AI开发者和数据科学家更快取得成果。

专业勤修，锐意进取。云轩技术工程师毕业于NVIDIA深度学习研究所，丰富经验，值得信赖。更多定制方案请联系客服，我们将实时响应您的定制需求，做您服务器的贴心管理者。