對比復現34個預訓練模型，PyTorch和Keras你選誰？
Keras 和 PyTorch 當然是對初學者最友好的深度學習框架，它們用起來就像描述架構的簡單語言一樣，告訴框架哪一層該用什么。這樣減少了很多抽象工作，例如設計靜態計算圖、分別定義各張量的維度與內容等等。
但是，到底哪一個框架更好一點呢?當然不同的開發者和研究者會有不同的愛好，也會有不同的看法。本文主要從抽象程度和性能兩個方面對比 PyTorch 與 Keras，并介紹了一個新的基準，它復現并對比了兩個框架的所有預訓練模型。
在 Keras 和 PyTorch 基準項目中，MIT 在讀博士 Curtis G. Northcutt 復現了 34 個預訓練模型。該基準結合了 Keras 和 PyTorch，并將它們統一到一個框架內，這樣我們就能知道這兩個框架的對比結果，知道不同模型用什么框架好。例如，項目作者表示 ResNet 架構的模型使用 PyTorch 要比 Keras 效果好，Inception 架構的模型使用 Keras 又要比 PyTorch 好。
Keras 和 PyTorch 基準項目：https://github.com/cgnorthcutt/benchmarking-keras-pytorch
一、兩大框架的性能與易用性
作為 TensorFlow 的高度封裝，Keras 的抽象層次非常高，很多 API 細節都隱藏了起來。雖然 PyTorch 比 TensorFlow 的靜態計算圖更容易使用，但總體上 Keras 隱藏的細節更多一些。而對于性能，其實各框架都會經過大量的優化，它們的差別并不是很明顯，也不會作為主要的選擇標準。
1. 易用性
Keras 是一個更高級別的框架，將常用的深度學習層和運算封裝進便捷的構造塊，并像積木一樣搭建復雜模型，開發者和研究者不需要考慮深度學習的復雜度。
PyTorch 提供一個相對較低級別的實驗環境，使用戶可以更加自由地編寫自定義層、查看數值優化任務等等。例如在 PyTorch 1.0 中，編譯工具 torch.jit 就包含一種名為 Torch Script 的語言，它是 Python 的子語言，開發者使用它能進一步對模型進行優化。
我們可以通過定義簡單的卷積網絡看看兩者的易用性：
- model = Sequential()
- model.add(Conv2D(32, (3, 3), activation='relu', input_shape=(32, 32, 3)))
- model.add(MaxPool2D())
- model.add(Conv2D(16, (3, 3), activation='relu'))
- model.add(MaxPool2D())
- model.add(Flatten())
- model.add(Dense(10, activation='softmax'))
如上所示為 Keras 的定義方式，很多時候運算都會作為參數嵌入到 API 中，因此代碼會顯得非常簡潔。如下所示為 PyTorch 的定義方式，它一般都是通過類和實例的方式定義，且具體運算的很多維度參數都需要定義。
- class Net(nn.Module):
- def __init__(self):
- super(Net, self).__init__()
- self.conv1 = nn.Conv2d(3, 32, 3)
- self.conv2 = nn.Conv2d(32, 16, 3)
- self.fc1 = nn.Linear(16 * 6 * 6, 10)
- self.pool = nn.MaxPool2d(2, 2)
- def forward(self, x):
- x = self.pool(F.relu(self.conv1(x)))
- x = self.pool(F.relu(self.conv2(x)))
- xx = x.view(-1, 16 * 6 * 6)
- x = F.log_softmax(self.fc1(x), dim=-1)
- return x
- model = Net()
雖然 Keras 感覺比 PyTorch 更易于使用，但兩者的差別不大，都期望模型的編寫能更便捷。
2. 性能
目前有很多對比各框架性能的實驗都表明 PyTorch 的訓練速度相比 Keras 會快一些。如下兩張圖表展示了不同框架在不同硬件和模型類型的表現：
下面兩張同樣展示了不同模型在 PyTorch 和 Keras 框架下的性能，這兩份 18 年的測試都表明 PyTorch 的速度要比 Keras 快那么一點點。
這兩份對比細節可查閱：
- https://github.com/ilkarman/DeepLearningFrameworks/
- https://wrosinski.github.io/deep-learning-frameworks/
二、Keras 和 PyTorch Benchmark
現在如果我們從預訓練模型的角度看，那么相同的模型在不同的框架上，驗證集準確度又是什么樣的?在這個項目中，作者用兩個框架一共復現了 34 個預訓練模型，并給出了所有預訓練模型的驗證準確率。所以該項目不僅能作為對比依據，同時還能作為學習資源，又有什么比直接學習經典模型代碼更好的方法呢?
1. 預訓練模型不是已經可以復現了嗎?
在 PyTorch 中是這樣的。然而有些 Keras 用戶卻覺得復現非常難，他們遇見的問題可以分為三類：
- 不能復現 Keras 已發布的基準結果，即使完全復制示例代碼也沒有用。實際上，他們報告的準確率(截止到 2019 年 2 月)通常略高于實際準確率。
- 一些預訓練的 Keras 模型在部署到某個服務器或與其他 Keras 模型一起依次運行時會產生不一致或較低的準確率。
- 使用批歸一化(BN)的 Keras 模型可能并不可靠。對于一些模型，前向傳播評估仍然會導致推理階段中的權重改變。
這些問題都是現實存在的，原 GitHub 項目為每個問題都提供了鏈接。項目作者的目標之一是通過為 Keras 預訓練模型創建可復現基準，從而幫助解決上述的一些問題。解決方法可分為以下三個方面，在 Keras 中要做到：推理期間避免分批(batches)。
每次運行一個樣本，這樣做非常慢，但可以為每個模型得出一個可復現的輸出。
只在本地函數或 with 語句中運行模型，以確保在加載下一個模型時，前一個模型的任何東西都不會保存在內存中。
2. 預訓練模型復現結果
以下是 Keras 和 PyTorch 的「實際」驗證集準確度表(已經在 macOS 10.11.6、Linux Debian 9 和 Ubuntu 18.04 上得到驗證)。
3. 復現方法
首先需要下載 ImageNet 2012 驗證集，該數據集包含 50000 張圖片。在 ILSVRC2012_img_val.tar 下載完成后，運行以下命令行預處理/提取驗證集：
- # Credit to Soumith: https://github.com/soumith/imagenet-multiGPU.torch
- $ cd ../ && mkdir val && mv ILSVRC2012_img_val.tar val/ && cd val && tar -xvf ILSVRC2012_img_val.tar
- $ wget -qO- https://raw.githubusercontent.com/soumith/imagenetloader.torch/master/valprep.sh | bash
ImageNet 驗證集中每個示例的 top 5 預測已經進行了預計，運行以下命令行將直接使用這些預計算結果，并在幾秒內復現 Keras 和 PyTorch 基準。
- $ git clone https://github.com:cgnorthcutt/imagenet-benchmarking.git
- $ cd benchmarking-keras-pytorch
- $ python imagenet_benchmarking.py /path/to/imagenet_val_data
不使用預計算數據也可以復現每個 Keras 和 PyTorch 的推理輸出。Keras 的推理要花很長時間(5-10 小時)，因為每次只計算一個示例的前向傳播，還要避免向量計算。如果要可靠地復現同樣的準確率，這是目前發現的***的方法。PyTorch 的推理非常快(一個小時都不到)。復現代碼如下：
- $ git clone https://github.com:cgnorthcutt/imagenet-benchmarking.git
- $ cd benchmarking-keras-pytorch
- $ # Compute outputs of PyTorch models (1 hour)
- $ ./imagenet_pytorch_get_predictions.py /path/to/imagenet_val_data
- $ # Compute outputs of Keras models (5-10 hours)
- $ ./imagenet_keras_get_predictions.py /path/to/imagenet_val_data
- $ # View benchmark results
- $ ./imagenet_benchmarking.py /path/to/imagenet_val_data
你可以控制 GPU 的使用、批大小、輸出存儲目錄等。運行時加上-h flag，可以查看命令行參數選項。
看完文章之后，你更中意誰呢?
原文鏈接：http://l7.curtisnorthcutt.com/towards-reproducibility-benchmarking-keras-pytorch
【本文是51CTO專欄機構“機器之心”的原創譯文，微信公眾號“機器之心( id: almosthuman2014)”】
