gpu服务器租用费用的简单介绍

　　通过前面几篇科普性文章gpu服务器租用费用的介绍，相信大家对深度学习已经有gpu服务器租用费用了一定gpu服务器租用费用的gpu服务器租用费用了解。可能有许多用户也想自己去倒腾倒腾，那么今天极小验就给大家整理了几款比较常用的，开源深度学习框架。

　　Tensorflow

　　2015年11月9日，Google发布人工智能系统Tensorflow。这款系统是Google 的第二代机器学习系统，相较于DistBelief，TensorFlow具有更好的灵活性、可移动、易于使用，而且是完全开源的。这是目前github上最火的深度学习开源项目。

　　优点接口丰富，灵活性较高。支持分布式计算。经过不断优化，目前运行速度相比开源时有了显著提升。在该平台的基础上有一些高质量的上层框架，比如Keras 、TensorFlow Slim、PrettyTensor 等等。这些上层框架很适合我们初学者作为学习使用。

　　缺点对于RNN模型的优化仍有提升空间。显存占用比较多。

　　Caffe

　　Caffe是一个清晰而高效的深度学习框架，其作者是毕业于UC Berkeley的贾扬清博士，目前在FAIR（Facebook人工智能研究院）工作。 Caffe是基于的C++/CUDA架构，支持命令行、Python和MATLAB接口；可以在CPU和GPU直接无缝切换，同时支持多GPU。主要用在计算机视觉领域。

　　优点上手快，模型与相应优化都是以文本形式而非代码形式给出。 速度快，能够运行最棒的模型与海量的数据。 模块化，方便扩展到新的任务和设置上。 开放性，社区提供了许多完整模型和训练好的参数，方便使用。

　　缺点 对RNN模型支持的不够完善。

　　Theano

　　Theano是在BSD许可证下发布的一个开源项目，于2008年发布，是由LISA集团（现MILA）在加拿大魁北克的蒙特利尔大学（Yoshua Bengio主导）开发。Theano使用符号计算，用起来简单方便，可以作为入门选择之一。用它可以很方便的将数学表达式通过theano表达出来。后续几乎所有的深度学习框架都借鉴了Theano的符号计算思想。

　　优点灵活性好，能很快的验证新的想法。基于Python封装能让使用者快速上手。

　　缺点模型较大时编译时间较长。输出的错误信息不够友好，对初学者有一定难度。

　　Torch

　　Torch并没有跟随Python的潮流，它底层用C语言实现，用Lua对接口进行封装，被Facebook人工智能研究实验室应用和维护。

　　优点对卷积网络的支持非常好Torch通过很多非官方的扩展支持大量的RNN，同时网络的定义方法也有很多种。运行在LuaJIT上，与C++、C#以及Java等工业语言相比速度较快，也不需额外编译。

　　缺点对初学者缺乏规范的例子。需要先迈过Lua这个门槛，不过对于如果熟悉python，lua也能很快上手。需要LuaJIT的支持，虽然性能不错，但是集成却存在着较大的障碍。

　　MXNet

　　MXnet是开源深度学习计算平台，它是DMLC分布式机器学习通用工具包的重要部分。它支持Linux，Windows和Mac平台，支持很多种语言，很容易上手学习，运用起来也很灵活。

　　优点轻量化，可移植性高。分布式并行计算。显存利用高效，并且可以灵活的运行在移动设备上。同时支持声明式和命令式编程。

　　缺点文档不够友好，比较杂乱。低级 Tensor 操作符很少，灵活性一般。不支持控制流运算符增加符号引擎的表达性和通用性。

　　Keras

　　Keras是一个简约、高度模块化的神经网络库，通过Python封装了神经网络各类常见模块，包括CNN、RNN等，底层支持基于Theano和Tensorflow运行。利用Keras能快速地搭建模型，对初学者是个不错的选择。

　　优点简单易用，上手容易。支持的模型比较灵活，能较方便地搭建各类模型。

　　缺点目前只支持单卡运算，对于大规模模型不适合。文档有些部分对初学者门槛较高，可能需要深入源码。以上呢只是极小验收集整理的部分比较知名的，应用比较广泛的开源框架，还有一些大家也可以去尝试，比如像Deeplearning4j，Neon，chainer，百度刚开源的PaddlePaddle等等。在Github上都能够找到相应的安装软件以及说明文档。前人的努力，为我们后继者的学习修桥铺路，人类文明的进程就是一次又一次站在巨人的肩膀上，我们看到了不一样的高度，不一样的世界。