AI开发面临碎片化 深度学习框架要统一

人工智能繁荣发展的背后是各大厂商暗战的开始，大家都在为了争抢开发者推出各自的深度学习开发框架，而随着应用在不同场景下的关联性越来越强，碎片化的框架也对开发人员造成了困扰，开发框架需要统一。

AI开发面临碎片化 深度学习框架要统一（图片来自FactorDaily）

深度学习的优势在于，利用非监督式或半监督式的特征学习、分层特征提取高效算法去替代传统的人工获取特征。为此，微软、谷歌、亚马逊等IT巨头都在围绕深度学习投资项目、开发框架工具，CNTK、TensorFlow、MXNet背后均有着这些企业的力挺。除此之外，Caffe、Torch、Theano也是比较流行的开发框架。

对于开发人员来说，使用这些框架的特性和功能各有不同，应用场景也可能是算机视觉、语音识别、自然语言处理与生物信息学等等。以TensorFlow来说，使用者不再需要通过反向传播求解梯度，这点和Theano类似，而且在设计神经网络结构时，也不用耗费过多精力去写C++或者CUDA代码。

在使用过程中，C++在线上部署的复杂度方面有所降低，而且让手机、平板、穿戴设备等对处理资源占用密集的终端可以运行更为复杂的模型，要知道相比之下Python的资源损耗还处在相对较高的水平。借此，开发者就能在硬件性能相对足够的机器中，即使是用Python也可以获得在低延迟状态下、嵌入式环境中使用C++的能力。当然TensorFlow也有其问题，比如异类设备之间的通信优化仍需完善。

Theano可以说是最古老的同类库之一，也是最初深度学习的主导标准之一，其流行程度可以让用户在上面找到各种常见问题，包括如何去存储、运行训练模型，在单GPU方面执行效率也算是还不错的水平。而且基于Theano，也衍生出了大量的深度学习库，像Keras对神经网络的抽象就可以对执行后端随意切换。

不过考虑到Theano缺乏底层C++的接口，导致部署起来并不方便，在工业生产环境的应用几乎鲜有。因此，很多人都是将其视为研究工具，而不是最终的产品，在CPU上的低性能也有这方面的阻碍。所以这种框架更像是一个原始语言，如果直接用其设计神经网络，或者去读它的输出信息，对开发者是毕竟痛苦的事情。

此外，Caffe、Deeplearning4J等也有着各自的问题，这里就不一一赘述了。由此也引申出了开发者到底该如何选择深度学习的开发平台？这里列出了几个考察点：首先，多数公司的AI架构不是从0起步，对既有编程平台的整合难度不能忽视；其次，对机器学习软件包和数据处理的难度也要寻求兼容；再有，二次开发能力同样关键，有了分布式、多GPU的优化能力，如何在其他平台上发挥作用，这是要思考的事情。

通过对比主流的几款深度学习开发框架，可以看到底层语言用C++（Caffe、MXNet、CNTK、TensorFlow）和C（Torch）的占有大多数，这也是当前来看最有效率的，像Python则是有望成为下一代的平台语言，这也是像微软在CNTK 2.0中所努力的方向。

从生态的角度来看，各家的框架多少还存在着分战队的情况。开发者需要在各自的平台上做各自的开发，而且这些框架在更新时并不是统一的，也就是说开发者在一个框架上开发的神经网络模型，并不能直接在另一个框架上用。要想让二者实现兼容，开发者需要花费很大的精力去自行解决。

为了解决这一问题，需要微软、谷歌这样掌握开发者“主权”的企业站出来，借助兼容框架去统一开发者的使用体验，ONNX（开放神经网络交换）就是在这个思路下成立的，这是由微软共同发起的一个项目，参与者有Facebook、AWS这样的软件厂商，也有AMD、ARM、华为、IBM、英特尔、高通这样的产业参与者。比如说有了ONNX，开发者可以把在PyTorch训练的模型直接放到Caffe2上推理。

几乎每隔2-4个月就会有ONNX的升级，例如其中会新增一些运算符帮助用户创建新的模型。事实上，现在微软的主流产品Bing、广告和Office，还有视觉服务，基本上后台都在用ONNX。在此基础之上，微软还发布了ONNX Runtime，插件式的执行者界面意味着ONNX Runtime可以快速适应软件和硬件的改进。执行者界面是硬件加速器向ONNX Runtime报告其性能的标准方式。英特尔、英伟达都在将ONNX Runtime整合到他们的硬件加速器中，目前，英特尔的MKL-DNN、nGraph编译器以及英伟达优化的TensorRT推理引擎都已完成整合。