前言本文整理了一些深度學(xué)習(xí)訓(xùn)練推理框架，涉及計(jì)算機(jī)視覺、語音、時(shí)序任務(wù)上的框架，共計(jì)20多種。

1訓(xùn)練框架

Pytorch

PyTorch是由Facebook人工智能研究小組開發(fā)的一種基于Lua編寫的Torch庫的Python實(shí)現(xiàn)的深度學(xué)習(xí)庫，也是目前使用范圍和體驗(yàn)感最好的一款深度學(xué)習(xí)框架。它的底層基于Torch，但實(shí)現(xiàn)與運(yùn)用全部是由python來完成。該框架主要用于人工智能領(lǐng)域的科學(xué)研究與應(yīng)用開發(fā)。PyTroch最主要的功能有兩個(gè)，其一是擁有GPU張量，該張量可以通過GPU加速，達(dá)到在短時(shí)間內(nèi)處理大數(shù)據(jù)的要求；其二是支持動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)，可逐層對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行修改，并且神經(jīng)網(wǎng)絡(luò)具備自動(dòng)求導(dǎo)的功能。

一些學(xué)習(xí)資料與文檔：

• Awesome-pytorch-list：包含了NLP,CV,常見庫，論文實(shí)現(xiàn)以及Pytorch的其他項(xiàng)目，地址：https://github.com/bharathgs/Awesome-pytorch-list；
• PyTorch官方文檔：官方發(fā)布文檔，地址：https://pytorch.org/docs/stable/index.html；
• Pytorch-handbook：pytorch hand book，地址：https://github.com/zergtant/pytorch-handbook；
• PyTorch官方社區(qū)：pytorch開發(fā)者社區(qū)，地址：https://discuss.pytorch.org/

MXNet

MXNet 是亞馬遜維護(hù)的深度學(xué)習(xí)庫，它擁有類似于 Theano 和 TensorFlow 的數(shù)據(jù)流圖，為多 GPU 提供了良好的配置。MXNet結(jié)合了高性能、clean的代碼，高級(jí)API訪問和低級(jí)控制，是深度學(xué)習(xí)框架中的佼佼者。

優(yōu)點(diǎn)：

1. 速度上有較大優(yōu)勢(shì)；
2. 靈活編程，支持命令式和符號(hào)式編程模型；
3. 多平臺(tái)支持：可運(yùn)行于多CPU、多GPU、集群、服務(wù)器、工作站甚至移動(dòng)mobile phone；
4. 多語言支持：支持包括C++、Python、R、Scala、Julia、Matlab和JavaScript語言；
5. 性能優(yōu)化：使用一個(gè)優(yōu)化的C++后端引擎并行I/O和計(jì)算，無論使用哪種語言都能達(dá)到最佳性能；
6. 云端友好；

缺點(diǎn)：

1. 社區(qū)較小；
2. 入門稍微困難些；

Tensorflow

TensorFlow是由谷歌開源并維護(hù)，可用于各類深度學(xué)習(xí)相關(guān)的任務(wù)中。TensorFlow = Tensor + Flow，Tensor就是張量，代表N維數(shù)組；Flow即流，代表基于數(shù)據(jù)流圖的計(jì)算，其特性如下：

• 支持Python、JavaScript、C ++、Java、Go、C＃、Julia和R等多種編程語言；
• GPU，iOS和Android等移動(dòng)平臺(tái)上都可運(yùn)行；
• 入門學(xué)習(xí)難度大；
• 靜態(tài)圖操作；

Caffe

經(jīng)典的深度學(xué)習(xí)框架，由賈揚(yáng)清在加州大學(xué)伯克利分校讀博期間主導(dǎo)開發(fā)，以C++/CUDA為主，需要編譯安裝，有python和matlab接口，支持單機(jī)多卡、多機(jī)多卡訓(xùn)練（目前已推出caffe2)，特性如下：

• 以C++/CUDA/Python代碼為主，速度快，性能高；
• 代碼結(jié)構(gòu)清晰，可讀性和可拓展性強(qiáng)。
• 支持命令行、Python和Matlab接口，使用方便；
• CPU和GPU之間切換方便，多GPU訓(xùn)練方便；
• 工具豐富，社區(qū)活躍；
• 代碼修改難度較大，不支持自動(dòng)求導(dǎo)；
• 不適合非圖像（結(jié)構(gòu)化）數(shù)據(jù)；

CNTK

微軟開源的深度學(xué)習(xí)框架，CNTK具有高度優(yōu)化的內(nèi)置組件，可以處理來自Python，C ++或BrainScript的多維密集或稀疏數(shù)據(jù)。能夠?qū)崿F(xiàn)CNN，DNN，RNN等任務(wù)，能夠優(yōu)化海量的數(shù)據(jù)集加載。

主要特性：

• CNTK性能優(yōu)于其他的開源框架；
• 適合做語音任務(wù)，CNTK本就是微軟語音團(tuán)隊(duì)開源的，自然更適合做語音任務(wù)，便于在使用RNN等模型以及時(shí)空尺度時(shí)進(jìn)行卷積；

學(xué)習(xí)資料與教程：

入門介紹：https://github.com/Microsoft/CNTK/wiki

官方入門教程：https://github.com/Microsoft/CNTK/wiki/Tutorial

官方論壇：https://github.com/Microsoft/CNTK/issues

Keras

一個(gè)小白非常友好的框架，上手簡單，已被集成到Tensorflow中。Keras在高層可以調(diào)用TensorFlow、CNTK、Theano，還有更多優(yōu)秀的庫也在被陸續(xù)支持中。Keras的特點(diǎn)是能夠快速搭建模型，高度模塊化，搭建網(wǎng)絡(luò)非常簡潔，易于添加新模塊，是高效地進(jìn)行科學(xué)研究的關(guān)鍵。

學(xué)習(xí)資料：

• https://tensorflow.rstudio.com/keras/
• https://github.com/rstudio/keras

PaddlePaddle

百度開源框架，支持動(dòng)態(tài)圖和靜態(tài)圖，中文文檔寫的非常清楚，上手比較簡單；

官網(wǎng)鏈接：https://www.paddlepaddle.org.cn/

飛槳針對(duì)不同硬件環(huán)境，提供了豐富的支持方案，生態(tài)較為完善：

1. Paddle Inference：飛槳原生推理庫，用于服務(wù)器端模型部署，支持Python、C、C++、Go等語言，將模型融入業(yè)務(wù)系統(tǒng)的首選；
2. Paddle Serving：飛槳服務(wù)化部署框架，用于云端服務(wù)化部署，可將模型作為單獨(dú)的Web服務(wù)；
3. Paddle Lite：飛槳輕量化推理引擎，用于 Mobile 及 IoT 等場(chǎng)景的部署，有著廣泛的硬件支持；
4. Paddle.js：使用 JavaScript（Web）語言部署模型，用于在瀏覽器、小程序等環(huán)境快速部署模型；
5. PaddleSlim：模型壓縮工具，獲得更小體積的模型和更快的執(zhí)行性能；
6. X2 Paddle：輔助工具，將其他框架模型轉(zhuǎn)換成Paddle模型，轉(zhuǎn)換格式后可以方便的使用上述5個(gè)工具；

OneFlow

項(xiàng)目地址：https://github.com/Oneflow-Inc/oneflow

一流科技開源的深度學(xué)習(xí)框架，使用類似PyTorch的API編程模型使用全局視圖API將模型縮放為n維并行/分布式執(zhí)行使用靜態(tài)圖編譯器加速/部署模型。主要有以下優(yōu)勢(shì)：

1. 分布式性能（高效性）是深度學(xué)習(xí)框架的核心技術(shù)難點(diǎn)，OneFlow圍繞性能提升和異構(gòu)分布式擴(kuò)展，采用靜態(tài)編譯和流式并行的核心理念和架構(gòu)，解決了集群層面的內(nèi)存墻挑戰(zhàn)；
2. OneFlow計(jì)算集群內(nèi)部的通信和調(diào)度消耗，提高硬件利用率，加快模型訓(xùn)練速度，訓(xùn)練成本時(shí)間大幅縮減；
3. 自動(dòng)支持模型并行與流水并行：OneFlow天生支持?jǐn)?shù)據(jù)并行、模型并行和混合并行，無需定制化開發(fā)；

MegEngine

項(xiàng)目地址：https://www.megengine.org.cn/

MegEngine 是曠視完全自主研發(fā)的深度學(xué)習(xí)框架，中文名為“天元”，是曠視 AI 戰(zhàn)略的重要組成部分，負(fù)責(zé) AI 三要素（算法，算力，數(shù)據(jù)）中的“算法”。MegEngine 的研發(fā)始于 2014 年，曠視內(nèi)部全員使用。如今，曠視的所有算法均基于 MegEngine 進(jìn)行訓(xùn)練和推理。

MegEngine 特性：

1. 訓(xùn)練推理一體化：MegEngine 支持多種硬件平臺(tái)（ CPU，GPU，ARM ），不同硬件上的推理框架和 MegEngine 的訓(xùn)練框架無縫銜接；部署時(shí)無需做額外的模型轉(zhuǎn)換，速度/精度和訓(xùn)練保持一致，有效解決了 AI 落地中“部署環(huán)境和訓(xùn)練環(huán)境不同，部署難”的問題。
2. 動(dòng)靜合一：動(dòng)態(tài)圖易調(diào)試，靜態(tài)圖好部署。MegEngine 在靜態(tài)圖的基礎(chǔ)上，逐漸加入支持完整動(dòng)態(tài)圖的功能，在動(dòng)態(tài)模式下加速研發(fā)過程，無需改變模型代碼一鍵切換至靜態(tài)模式下的部署，為科研和算法工程師同時(shí)提供便利。
3. 兼容并包：MegEngine 的頂層 API 基于 Python，采取了類似于 PyTorch 的風(fēng)格。簡單直接，易于上手，便于現(xiàn)有項(xiàng)目進(jìn)行移植或整合。
4. 靈活高效：MegEngine 底層的高性能算子庫對(duì)于不同的硬件架構(gòu)進(jìn)行了深度適配和優(yōu)化，并提供高效的亞線性內(nèi)存優(yōu)化策略，對(duì)于生產(chǎn)環(huán)境繁多的計(jì)算設(shè)備提供了極致的性能保證，高效易用的分布式訓(xùn)練實(shí)現(xiàn)能有效支持富有彈性的大規(guī)模訓(xùn)練。

DeepLearning4j

基于Java的深度學(xué)習(xí)框架，正式誕生于2013年，在2017年加入Eclipse基金會(huì)，由美國的Skymind開源并維護(hù)。

項(xiàng)目地址：https://github.com/eclipse/deeplearning4j

• 支持神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建、模型訓(xùn)練和部署；
• 能夠與現(xiàn)有大數(shù)據(jù)生態(tài)進(jìn)行無縫銜接（Hadoop、Spark等），也是可以原生態(tài)支持分布式模型訓(xùn)練的框架之一；
• 支持多線程；
• 跨平臺(tái)（硬件：CUDA GPu，x86，ARM，PowerPC；操作系統(tǒng)：Windows/Mac/Linux/Android）；

2推理框架

TensorRT

Nvidia自家的推理庫，幾乎是自動(dòng)駕駛邊緣部署領(lǐng)域的標(biāo)配，更新也很頻繁，issue反饋及時(shí)，社區(qū)維護(hù)較好；TensorRT的應(yīng)用場(chǎng)景很多，服務(wù)端、嵌入式端、PC端；利用Pytorch、TF或者其他框架訓(xùn)練好的模型，轉(zhuǎn)化為TensorRT的格式，然后利用TensorRT推理引擎去運(yùn)行模型，從而提升模型在英偉達(dá)板子上的運(yùn)行速度，速度提升的比例是比較可觀的。

項(xiàng)目鏈接：https://github.com/NVIDIA/TensorRT

NCNN

騰訊開源的ncnn 是一個(gè)為手機(jī)端極致優(yōu)化的高性能神經(jīng)網(wǎng)絡(luò)前向計(jì)算框架。ncnn 從設(shè)計(jì)之初深刻考慮手機(jī)端的部署和使用。無第三方依賴，跨平臺(tái)，手機(jī)端 cpu 的速度快于目前所有已知的開源框架。基于 ncnn，開發(fā)者能夠?qū)⑸疃葘W(xué)習(xí)算法輕松移植到手機(jī)端高效執(zhí)行，開發(fā)出人工智能 APP，將 AI 帶到你的指尖。

項(xiàng)目鏈接：https://github.com/Tencent/ncnn

TNN

Tencent Youtu Lab開源的高性能、輕量級(jí)神經(jīng)網(wǎng)絡(luò)推理框架。它還具有跨平臺(tái)、高性能、模型壓縮和代碼裁剪等諸多突出優(yōu)勢(shì)。TNN框架在原有Rapidnet和ncnn框架的基礎(chǔ)上進(jìn)一步加強(qiáng)了對(duì)移動(dòng)設(shè)備的支持和性能優(yōu)化。同時(shí)，它借鑒了業(yè)界主流開源框架的高性能和良好的可擴(kuò)展性特點(diǎn)，并擴(kuò)展了對(duì)X86和NV GPU的支持。在手機(jī)上，TNN已被許多應(yīng)用程序使用。作為騰訊云人工智能的基本加速框架，TNN為許多業(yè)務(wù)的實(shí)施提供了加速支持。

項(xiàng)目鏈接：https://github.com/Tencent/TNN

MNN

MNN是一個(gè)高效、輕量級(jí)的深度學(xué)習(xí)框架。它支持深度學(xué)習(xí)模型的推理和訓(xùn)練，在設(shè)備推理和訓(xùn)練方面具有業(yè)界領(lǐng)先的性能。目前，MNN已整合在淘寶、天貓、優(yōu)酷、鼎語、仙語等30多個(gè)阿里巴巴應(yīng)用中，涵蓋直播、短視頻捕獲、搜索推薦、圖片搜索、互動(dòng)營銷、股權(quán)分銷、安全風(fēng)險(xiǎn)控制等70多個(gè)使用場(chǎng)景。此外，MNN還用于嵌入式設(shè)備，如物聯(lián)網(wǎng)。

項(xiàng)目鏈接：https://github.com/alibaba/MNN

TensorFlow Lite

這是Google在2017年I/O開發(fā)者大會(huì)上開源的將TensorFlow訓(xùn)練好的模型遷移到Android App的框架，地址和一些學(xué)習(xí)資源如下：TensorFlow Lite使用Android Neural Networks API，默認(rèn)調(diào)用CPU，目前最新的版本已經(jīng)支持GPU。

項(xiàng)目地址：https://tensorflow.google.cn/lite/

Core ML

Core ML是2017年Apple公司在WWDC上與iOS11同時(shí)發(fā)布的移動(dòng)端機(jī)器學(xué)習(xí)框架，底層使用Accelerate和Metal分別調(diào)用CPU和GPU。Core ML需要將你訓(xùn)練好的模型轉(zhuǎn)化為Core ML model。

在一年之后，也就是2018年WWDC上，Apple發(fā)布了Core ML 2，主要改進(jìn)就是通過權(quán)重量化等技術(shù)優(yōu)化模型的大小，使用新的Batch Predict API提高模型的預(yù)測(cè)速度，以及容許開發(fā)人員使用MLCustomLayer定制自己的Core ML模型。

項(xiàng)目地址：https://developer.apple.com/documentation/coreml

Paddle-Mobile

Paddle-Mobile是2017年百度PaddlePaddle組織下的移動(dòng)端深度學(xué)習(xí)開源框架，當(dāng)時(shí)叫做mobile-deep-learning(MDL)。支持安卓和ios平臺(tái)，CPU和GPU使用，提供量化工具。可以直接使用Paddle Fluid訓(xùn)練好的模型，也可以將Caffe模型進(jìn)行轉(zhuǎn)化，或者使用ONNX格式的模型。

項(xiàng)目地址：https://github.com/PaddlePaddle/paddle-mobile

caffe2

Caffe2是facebook在2017年發(fā)布的一個(gè)跨平臺(tái)、輕量級(jí)、模塊化和可擴(kuò)展的深度學(xué)習(xí)框架。Caffe2以原Caffe為基礎(chǔ)，在設(shè)計(jì)時(shí)考慮到了表達(dá)、速度和模塊化。不僅僅支持Windows，Linux，Macos三大桌面系統(tǒng)，也支持移動(dòng)端iOS，Android，可以說是集訓(xùn)練和推理于一身。

MACE

MACE是2018年小米在開源中國開源世界高峰論壇中宣布開源的移動(dòng)端框架，以O(shè)penCL和匯編作為底層算子，提供了異構(gòu)加速可以方便在不同的硬件上運(yùn)行模型，同時(shí)支持各種框架的模型轉(zhuǎn)換。

Mobile AI Compute Engine (MACE)是一個(gè)專為移動(dòng)端異構(gòu)計(jì)算平臺(tái)(支持Android, iOS, Linux, Windows)優(yōu)化的神經(jīng)網(wǎng)絡(luò)計(jì)算框架。主要從以下的角度做了專門的優(yōu)化：

• 性能：代碼經(jīng)過NEON指令，OpenCL以及Hexagon HVX專門優(yōu)化，并且采用 Winograd算法來進(jìn)行卷積操作的加速。此外，還對(duì)啟動(dòng)速度進(jìn)行了專門的優(yōu)化。
• 功耗：支持芯片的功耗管理，例如ARM的big.LITTLE調(diào)度，以及高通Adreno GPU功耗選項(xiàng)。
• 系統(tǒng)響應(yīng)：支持自動(dòng)拆解長時(shí)間的OpenCL計(jì)算任務(wù)，來保證UI渲染任務(wù)能夠做到較好的搶占調(diào)度， 從而保證系統(tǒng)UI的相應(yīng)和用戶體驗(yàn)。
• 內(nèi)存占用：通過運(yùn)用內(nèi)存依賴分析技術(shù)，以及內(nèi)存復(fù)用，減少內(nèi)存的占用。另外，保持盡量少的外部 依賴，保證代碼尺寸精簡。
• 模型加密與保護(hù)：模型保護(hù)是重要設(shè)計(jì)目標(biāo)之一。支持將模型轉(zhuǎn)換成C++代碼，以及關(guān)鍵常量字符混淆，增加逆向的難度。
• 硬件支持范圍：支持高通，聯(lián)發(fā)科，以及松果等系列芯片的CPU，GPU與DSP(目前僅支持Hexagon)計(jì)算加速。CPU模式支持Android, iOS, Linux等系統(tǒng)。
• 模型格式支持支持TensorFlow， Caffe和ONNX等模型格式。

項(xiàng)目地址：https://github.com/XiaoMi/mace-models

NNIE

NNIE 是 Neural Network Inference Engine 的簡稱，是海思媒體 SoC 中專門針對(duì)神經(jīng)網(wǎng) 絡(luò)特別是深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行加速處理的硬件單元，支持現(xiàn)有大部分的公開網(wǎng) 絡(luò)，如 Alexnet、VGG16、Googlenet、Resnet18、Resnet50 等分類網(wǎng)絡(luò)，F(xiàn)aster R- CNN、YOLO、SSD、RFCN 等檢測(cè)網(wǎng)絡(luò)，以及 SegNet、FCN 等場(chǎng)景分割網(wǎng)絡(luò)。目前 NNIE 配套軟件及工具鏈僅支持以 Caffe 框架，使用其他框架的網(wǎng)絡(luò)模型需要轉(zhuǎn)化 為 Caffe 框架下的模型。該框架在海思系列芯片上性能極佳，很大的缺陷就在于僅限于海思系列芯片。

審核編輯 ：李倩