深度学习 框架比较

【引言】现在市面上同时存在多种深度学习框架，不同公司或科研团体会根据具体应用不同选择不同框架。网络上不缺少对深度学习框架的比较分析，但随着时间流逝，框架版本更新会影响性能，接口和文档更新会影响开发效率，同时考虑到商业因素及媒体宣传水分，本节会从实战角度给出对热门框架的比较分析，并在最后给出选择建议，可供参考。

 

 

框架选择建议：

1.无论是在具体商业应用还是实验研究，深度学习+迁移学习（Fine-tune）的组合会有助于降低模型对数据量的需求，同时能大大节约运算时间，所以选择框架时建议首先考虑到“是否有预训练模型”以及“迁移训练预训练模型难度”这两点。（若有足够数量的高质量数据和优良的计算资源可忽略本条）

2.天下武功为快不破。训练速度越快越好，上手速度越快越好，内存占用越少越好，有时候增加内存是“用空间换时间”提升速度的表现。支持动态图的框架通常训练速度会偏慢，但是上手速度会快些。

3.具体要商业化做成产品则要考虑到框架稳定性、兼容性可移植性

4.是否需要对底层功能进行扩展要考虑框架粒度，同时兼顾接口语言和开发语言。