這次dmlc發布的深度學習框架mxnet比之caffe有什麼優缺點？

01-05

最近在github上面看到dmlc發布了新的深度學習框架mxnet，從官方文檔來看dependency相比caffe要乾淨不少，支持symbol好像很炫酷的樣子。
之前在老闆的帶動下鼓搗過一陣子caffe，感覺不是很好用，依賴好多google開源的東西，但是社區很龐大去google一下問題都能解決。
請問與caffe相比mxnet有什麼優勢和劣勢呢？

另外cxxnet項目現在是什麼定位？

caffe是很優秀的dl平台。影響了後面很多相關框架。

cxxnet借鑒了很多caffe的思想。相比之下，cxxnet在實現上更加乾淨，例如依賴很少，通過mshadow的模板化使得gpu和cpu代碼只用寫一份，分散式介面也很乾凈。

mxnet是cxxnet的下一代，目前實現了cxxnet所有功能，但借鑒了minerva/torch7/theano，加入更多新的功能。

ndarray編程介面，類似matlab/numpy.ndarray/torch.tensor。獨有優勢在於通過背後的engine可以在性能上和內存使用上更優
symbolic介面。這個可以使得快速構建一個神經網路，和自動求導。
更多binding 目前支持比較好的是python，馬上會有julia和R
更加方便的多卡和多機運行
性能上更優。目前mxnet比cxxnet快40%，而且gpu內存使用少了一半。

目前mxnet還在快速發展中。這個月的主要方向有三，更多的binding，更好的文檔，和更多的應用（language model、語音，機器翻譯，視頻）。地址在 dmlc/mxnet · GitHub 歡迎使用

這個問題回答的人好少啊

mxnet主要是繼承自Minerva和cxxnet，cxxnet的特性 @李沐在樓上已經說了，既然Minerva的開發者們不在知乎出現，作為當初的合作者我就冒昧說幾句我知道的吧

當初做Minerva的目的是提供一個可以快速實現原型演算法的系統。從前開發演算法一般首先是在小數據集比如MNIST上，用matlab或者python實現一個最基本的結構看效果，之後逐步放大推廣。但這種模式已經跟不上時代了，隨著方法的效果越來越好，MNIST這類小數據集正在逐漸失去檢驗演算法的作用，越來越多的新方法從一開始提出就是運行在GPU和大數據集上的，因此迫切需要能夠快速在並行/GPU上建立演算法原型的工具。因為這些演算法可能是千奇百怪的，所以給用戶足夠的靈活性操縱儘可能多的東西很重要；因為要快速開發和做ML的人精通GPUcoding不容易，所以這個系統要像matlab一樣用起來儘可能簡單和抽象，讓使用者專註到演算法而不是coding細節上去。

正因如此，Minerva最重視的特性是靈活性，使用者可以很自由的控制模型從結構到訓練的絕大部分特性；其次是易用性，比如Minerva對Python（現在有很多別的語言）的介面支持做得很好。我想對靈活性的追求應該是Minerva區別於caffe（實現基礎演算法更方便但開發新演算法不靈活）最大的不同了。（儘管如此，Minerva的效率和可拓展性仍然非常優秀）

技術實現上Minerva（第一個）用了data flow，最後的結果很好的兼顧了靈活性和效率的要求。雖然我完全不懂System，但感覺這是一個很優雅的工作。所有這些應該都被mxnet繼承了（我很久沒有follow過了，所以對近況不是很了解），據說又融合了cxxnet的優點（mxnet的parameter server部分據我了解應該完全屬於cxxnet），我是很期待這個系統的。

最近嘗試把手頭一個項目改到mxnet上來，非常費勁。

首先輸入數據問題，例子裡面那個奇怪迭代器的很不直觀，學習曲線比較陡，也許默認都是搞圖像的用吧，輸入數據還是需要一個簡單通用的抽象介面。caffe在這一塊也是很鬱悶的，如果不是搞圖像的，那就要麻煩不少。這塊真可以向keras學習一下，keras真是讓我做到了瞬間上手。

一些操作的參數不是很全，或者說，應該設計成參數會更方便，比如每一層自己的學習率。不過這一塊已經比keras強不少了，這貨連實現這一點的機制都沒有。這塊感覺caffe的設計更方便，也許mxnet的symbolic與caffe的layer設計思想不同，但是我想歸根結底都要為了使用簡便直觀服務。

對一些常用的需求並沒有直觀的文檔，一切都要去查issue，如果恰好沒有issue，那就苦了，只能看源碼。好吧，如果需要看源碼，那時間成本就太大了。

總之我認為現階段的mxnet不太適合項目壓力大排期緊的工業界。

=====

看了lstm python的example，感覺使用起來太麻煩了，不像caffe有人寫好layer之後我只需往配置文件裡面添加一行即可。

chainer感覺很好用