深度學習是機器學習中一種基于對數(shù)據(jù)進行表征學習的方法，作為當下最熱門的話題，谷歌、Facebook、微軟等巨頭紛紛圍繞深度學習做了一系列研究，一直在支持開源深度學習框架的建設。

過去一年間，在這些巨頭的加持下，深度學習框架格局發(fā)生了極大改變：新框架橫空出世，舊的框架也逐漸退出歷史舞臺，而框架與框架之間的聯(lián)系也更加緊密，生態(tài)更為開放。這一年，小編也在時刻關注著這些發(fā)展和變化，下面這些話題，每一個都引起了開發(fā)者此起彼伏的討論：

Facebook 開源 PyTorch，成為 TensorFlow 強敵

Theano 完成歷史使命，功成身退

ONNX 開放平臺橫空出世，力圖促進開放的開發(fā)生態(tài)

CNTK，Keras，MXNet 均迎來重大更新

微軟攜手亞馬遜推出 Gluon 深度學習庫，英特爾推出增強學習框架 Coach

針對移動終端，Caffe2 和 TensorFlow Lite 先后開源

接下來，小編會盤點上述機器學習框架之間的重大發(fā)展和改變，以饗讀者。

Facebook 開源 PyTorch，以風起云涌之勢占領開發(fā)者社區(qū)

2017 年初，F(xiàn)acebook 在機器學習和科學計算工具 Torch 的基礎上，針對 Python 語言發(fā)布了全新的機器學習工具包——PyTorch。PyTorch 實際上是 NumPy 的替代，它支持 GPU，有著更高級的功能，可以用來構建和訓練深度神經(jīng)網(wǎng)絡。一經(jīng)發(fā)布，它便受到廣泛關注和討論。經(jīng)過將近一年的發(fā)展，目前 PyTorch 已經(jīng)成為從業(yè)者最重要的研發(fā)工具之一。

年初發(fā)布 PyTorch 時，F(xiàn)acebook 曾表示，「它有望輔助、或在一定程度上替代現(xiàn)有的 Python 數(shù)學庫（比如 NumPy）?！鼓壳皝砜?，PyTorch 的使用越來越廣泛，這一預言成為現(xiàn)實。

在眾多開發(fā)者眼中，PyTorch 是 TensorFlow 之外一個非常好的選擇。

以下為 PyTorch 主要優(yōu)勢：

它處于機器學習第一大語言 Python 的生態(tài)圈之中，使得開發(fā)者能接入廣大的 Python 庫和軟件。因此，Python 開發(fā)者能夠用他們熟悉的風格寫代碼，而不需要針對外部 C 語言或 C++ 庫的 wrapper，使用它的專門語言。

不需要從頭重新構建整個網(wǎng)絡，它為改進現(xiàn)有的神經(jīng)網(wǎng)絡提供了更快速的方法——采用動態(tài)計算圖（dynamic computational graph）結(jié)構，而不是大多數(shù)開源框架，比如 TensorFlow、Caffe、CNTK、Theano 等采用的靜態(tài)計算圖。

PyTorch 中用于數(shù)據(jù)加載的 API 設計得很好。接口在數(shù)據(jù)集、采樣器和數(shù)據(jù)加載器中有明確規(guī)定。數(shù)據(jù)加載器接收數(shù)據(jù)集和采樣器，根據(jù)采樣器的調(diào)度，在數(shù)據(jù)集上生成迭代器。加載并行數(shù)據(jù)就像把 num_workers 語句傳遞到數(shù)據(jù)加載器一樣簡單。

采用了定制的 GPU 內(nèi)存分配器。這使得開發(fā)者的深度學習模型能夠有「最大限度的內(nèi)存效能」，訓練比從前更大的深度神經(jīng)網(wǎng)絡。

GitHub 地址：https://github.com/pytorch/pytorch
#pTensorFlow引入動態(tài)圖機制#e#

TensorFlow 遇強敵，引入動態(tài)圖機制等多個更新

TensorFlow 是 Google 于 2015 年底推出的深度學習框架。過去兩年間，它在開發(fā)者社區(qū)享有盛譽，目前已成為最為常用的深度學習框架。它的功能全，社區(qū)好，因此使用率也一直穩(wěn)定保持領先。而隨著 PyTorch 等框架的橫空出世，因為文檔和接口混亂，使用繁瑣等缺點，TensorFlow 廣受詬病。

在 2017 年，開發(fā)團隊不斷為 TensorFlow 引入新的功能：年初發(fā)布 TensorFlow 1.0，實現(xiàn)對 Keras 的全面支持；年底引入 Eager Execution 動態(tài)圖機制，讓開發(fā)變得更加簡單和直觀。

以下為 TensorFlow 被大家廣為稱贊的優(yōu)點：

TensorFlow 的 Saver 對象很容易使用，并為檢查點（check-pointing）提供了更多選擇。

在序列化中，TensorFlow 的主要優(yōu)點是可以將整個圖保存為協(xié)議緩沖區(qū)。這包括參數(shù)和運算。此外，該圖可以通過其他支持的語言 （C++，Java） 加載。這對不支持 Python 的調(diào)度棧來說至關重要。理論上，在改變模型源代碼之后，你想要運行舊模型時它也能有所幫助。

支持移動和嵌入式部署，雖然將 TensorFlow 部署到 Android 或 iOS 上需要大量的工作，但不必用 Java 或 C++重寫模型的整個推理程序。

此外，TensorFlow Serving 支持高性能的服務器端部署，可以支持用戶輕松地換用模型而不會降低服務性能。

另外，它在年底引入 Eager Execution——一種命令式、由運行定義的接口，一旦從 Python 被調(diào)用可立即執(zhí)行操作，這使得 TensorFlow 的入門學習變得更簡單，也使得研發(fā)工作變得更直觀。

GitHub 地址：https://github.com/tensorflow/tensorflow