keras 和 pytorch

最新推荐文章于 2025-05-15 20:53:29 发布

DemonHunter211

最新推荐文章于 2025-05-15 20:53:29 发布

阅读量1.1k

点赞数 2

CC 4.0 BY-SA版权

分类专栏：深度学习

本文链接：https://blog.youkuaiyun.com/kwame211/article/details/105368658

深度学习专栏收录该内容

318 篇文章

订阅专栏

本文对比了Keras与Pytorch两大深度学习框架，详细分析了它们在模型定义、张量处理、模型训练及硬件利用等方面的差异。Keras以其易用性和快速上手著称，适合初学者；而Pytorch则提供了更多灵活性和控制权，适用于实现复杂模型。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

本文将介绍Keras与Pytorch的4个不同点以及为什么选择其中一个库的原因。

Keras

Keras本身并不是一个框架，而是一个位于其他深度学习框架之上的高级API。目前它支持TensorFlow、Theano和CNTK。

Keras的优点在于它的易用性。这是迄今为止最容易上手并快速运行的框架。定义神经网络是非常直观的，因为使用API可以将层定义为函数。

Pytorch

Pytorch是一个深度学习框架(类似于TensorFlow)，由Facebook的人工智能研究小组开发。与Keras一样，它也抽象出了深层网络编程的许多混乱部分。

就高级和低级代码风格而言，Pytorch介于Keras和TensorFlow之间。比起Keras具有更大的灵活性和控制能力，但同时又不必进行任何复杂的声明式编程(declarative programming)。

深度学习的从业人员整天都在纠结应该使用哪个框架。一般来说，这取决于个人喜好。但是在选择Keras和Pytorch时，你应该记住它们的几个方面。

(1)定义模型的类与函数

为了定义深度学习模型，Keras提供了函数式API。使用函数式API，神经网络被定义为一系列顺序化的函数，一个接一个地被应用。例如，函数定义层1( function defining layer 1)的输出是函数定义层2的输入。

img_input = layers.Input(shape=input_shape)
x = layers.Conv2D(64, (3, 3), activation='relu')(img_input)    
x = layers.Conv2D(64, (3, 3), activation='relu')(x)    
x = layers.MaxPooling2D((2, 2), strides=(2, 2))(x)

在Pytorch中，你将网络设置为一个继承来自Torch库的torch.nn.Module的类。与Keras类似，Pytorch提供给你将层作为构建块的能力，但是由于它们在Python类中，所以它们在类的init_()方法中被引用，并由类的forward()方法执行。

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(3, 64, 3)
        self.conv2 = nn.Conv2d(64, 64, 3)
        self.pool = nn.MaxPool2d(2, 2)
    def forward(self, x):
        x = F.relu(self.conv1(x))
        x = self.pool(F.relu(self.conv2(x)))
        return x
model = Net()

(2)张量和计算图模型与标准数组的比较

Keras API向普通程序员隐藏了许多混乱的细节。这使得定义网络层是直观的，并且默认的设置通常足以让你入门。

只有当你正在实现一个相当先进或“奇特”的模型时，你才真正需要深入了解底层，了解一些基本的TensorFlow。

棘手的部分是，当你真正深入到较低级别的TensorFlow代码时，所有的挑战就随之而来!你需要确保所有的矩阵乘法都对齐。不要试着想打印出你自己定义的层的输出，因为你只会得到一个打印在你的终端上的没有错误的张量定义。

Pytorch在这些方面更宽容一些。你需要知道每个层的输入和输出大小，但是这是一个比较容易的方面，你可以很快掌握它。你不需要构建一个抽象的计算图，避免了在实际调试时无法看到该抽象的计算图的细节。

Pytorch的另一个优点是平滑性，你可以在Torch张量和Numpy数组之间来回切换。如果你需要实现一些自定义的东西，那么在TF张量和Numpy数组之间来回切换可能会很麻烦，这要求开发人员对TensorFlow会话有一个较好的理解。

Pytorch的互操作实际上要简单得多。你只需要知道两种操作:一种是将Torch张量(一个可变对象)转换为Numpy，另一种是反向操作。

当然，如果你从来不需要实现任何奇特的东西，那么Keras就会做得很好，因为你不会遇到任何TensorFlow的障碍。但是如果你有这个需求，那么Pytorch将会是一个更加好的选择。

(3)训练模型

用Keras训练模特超级简单!只需一个简单的.fit()，你就可以直接去跑步了。

history = model.fit_generator(
    generator=train_generator,
    epochs=10,
    validation_data=validation_generator)

在Pytorch中训练模型包括以下几个步骤:

在每批训练开始时初始化梯度
前向传播
反向传播
计算损失并更新权重

# 在数据集上循环多次
for epoch in range(2):  
    for i, data in enumerate(trainloader, 0):
        # 获取输入; data是列表[inputs, labels]
        inputs, labels = data 
        # (1) 初始化梯度
        optimizer.zero_grad() 

        # (2) 前向传播
        outputs = net(inputs)
        loss = criterion(outputs, labels)

        # (3) 反向传播
        loss.backward()
        # (4) 计算损失并更新权重
        optimizer.step()

光是训练就需要很多步骤!

我想这种方式你就会知道实际上发生了什么。由于这些模型训练步骤对于训练不同的模型本质上保持不变，所以这些代码实际上完全不必要的。

(4)控制CPU与GPU模式的比较

如果你已经安装了tensorflow-gpu，那么在Keras中使用GPU是默认启用和完成的。如果希望将某些操作转移到CPU，可以使用以下代码。

with tf.device('/cpu:0'):
    y = apply_non_max_suppression(x)

对于Pytorch，你必须显式地为每个torch张量和numpy变量启用GPU。这将使代码变得混乱，如果你在CPU和GPU之间来回移动以执行不同的操作，则很容易出错。

例如，为了将我们之前的模型转移到GPU上运行，我们需要做以下工作:

#获取GPU设备
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")

#传送网络到GPU
net.to(device)

# 传送输入和标签到GPU
inputs, labels = data[0].to(device), data[1].to(device)

Keras在这方面的优势在于它的简单性和良好的默认设置