深度学习三大框架之争(Tensorflow、Pytorch和Keras)

　　近几年，随着深度学习指数级发展，深度学习的框架使用在人工智能领域也起着举足轻重的作用，这其中包括Tensoflow、Pytorch、Keras、Caffe等等。

　　那么面对这些框架，究竟使用哪个呢？答：其实，这几个框架都有各自的优点，大家了解后可以根据自己的情况进行选择；下面我们就来看看吧！！（本文纯属是唠唠嗑的，想直接知道自己适合使用哪种框架的，可以直接滑倒文末看结论 ）

　　1、Tensoflow

　　TensorFlow由Google智能机器研究部门Google Brain团队研发的；TensorFlow编程接口支持Python和C++。随着1.0版本的公布，相继支持了Java、Go、R和Haskell API的alpha版本。

　　在2017年，Tensorflow独占鳌头，处于深度学习框架的领先地位；但截至目前已经和Pytorch不争上下。

　　Tensorflow目前主要在工业级领域处于领先地位。

　　2、Pytorch

　　Pytorch目前是由Facebook人工智能学院提供支持服务的。

　　Pytorch目前主要在学术研究方向领域处于领先地位。

　　其优点在于：PyTorch可以使用强大的GPU加速的Tensor计算（比如：Numpy的使用）以及可以构建带有autograd的深度神经网络。

　　同时，PyTorch 的代码很简洁、易于使用、支持计算过程中的动态图而且内存使用很高效。

　　3、Keras

　　Keras是基于Tensorflow用纯python编写的深度学习框架，也就是说它是在Tensorflow的基础上再次集成的；所以，他的代码会更加简洁方便，适于初学者；但因为它是在Tensorflow的框架上再次封装的，那么运行速度肯定就没有Tensorflow快了。

　　其主要优点在于：用户友好

　　Keras可以说是专为人类的API；Keras遵循减少认知困难的最佳实践：Keras提供一致而简洁的API， 能够极大减少一般应用下用户的工作量。所以，当Pytorc和Tensoflow的框架代码看不懂的时候，试试Keras也是未尝不可的。易扩展性

　　添加新的网络层等是非常容易的，只需要仿照现有的模块编写新的类或函数，然后使用model.add()即可。创建新模块的便利性使得Keras更适合于先进的研究工作。综上所述：Tensorflow更倾向于工业应用领域，适合深度学习和人工智能领域的开发者进行使用，具有强大的移植性。Pytorch更倾向于科研领域，语法相对简便，利用动态图计算，开发周期通常会比Tensorflow短一些。Keras因为是在Tensorflow的基础上再次封装的，所以运行速度肯定是没有Tensorflow快的；但其代码更容易理解，容易上手，用户友好性较强。

　　更新：目前Keras框架已经被集成到Tensorflow里了，在TensorFlow 2.0及其之后的版本中，Keras已经成为TensorFlow的默认高级API，使得用户可以更加方便地使用Keras构建、训练和评估深度学习模型。

　　demo: