如何評價深度學習框架Keras？

---

Tensorflow, theano, Keras, lasagne, caffe我都用過。由於我做的實驗是很crazy的RNN結構。所以theano和tensorflow用的比較多。但說一下Keras。

四個字，相當不錯。

易使用：對於想把它作為黑箱子使用的人，keras超級易上手。

擴展性：keras的設計是把大量內部運算都隱藏了。大家很自然而然的就認為它的功能比較狹窄。其實它有的擴展性並不差，有很多辦法實現框架上沒有的功能。用戶始終可以用theano或tensorflow的語句來寫擴展功能並和keras結合使用。

theano和tensorflow兩個backend這一點就不用說了。

但是我個人的建議是，至少一次，手動從零開始寫一個神經網路的代碼後，再用keras。否則容易依賴於keras的易使用性而忽略底層原理。並且很多擴展只有在懂得底層原理後才可以實現的。

---

最近剛開始使用theano, 經驗不多，連個基本的模型都跑不通，於是去看了下Keras，源碼比較簡潔，可以當作theano的示例教程來看，感受如下：

1.文檔看似很全，每個layer是幹啥的，每個參數是啥都寫了，但是不去讀代碼，實際很多人是無法從文檔理解其具體用法的。這點看issue里的討論里可以看出。同樣，example似乎很多，而且都能直接run，還都是real world的數據集，看似很好，但是實際上，對於新手，如果需要的模型跟example里的不完全一樣，不容易搞懂到底需要把輸入輸出的數據搞成啥格式。舉個例子，example都是做的classification的，沒有做sequence labeling的例子，如果想拿來做個pos tagging，不知道數據如何組織。當然，這些其實花一天讀下代碼或者好好翻翻issue討論就可以解決了，但我相信不少人不會去認真讀代碼或者看討論，而是直接換個工具。我感覺目前的doc只有懂了代碼的人才能看懂，不懂得看文檔還是沒啥用。

2.項目很簡單所以開發者不多，但是很活躍，每天都有新東西加進去。今天增加了一個新的分支後端可以用theano或者tensorflow了，不過貌似由於不支持scan，backend用tensorflow的沒實現recurrent layer。他們也意識到文檔的問題，覺得需要為小白用戶多加點tutorial而不是光給develop看。

我沒用過其他的framework，僅說keras

• 拿來學習theano基本用法，很不錯
• 庫本身的代碼，比較簡單易讀，我作為python菜鳥，也能看懂。目前model有sequential和grapgh兩種，前者並不是指recurrent而是說網路是一層層堆的（也包括recurrent）.其他的主要概念包括layer，regularizer, optimizer,objective都分離開。layer用於build每層的輸出函數，model會用最後一層的輸出，根據objective和每個layer的regularizer來確定最終的cost，然後在update時用optimizer來更新參數。把這四個看下加上model里的fit函數，就會用theano啦。
• 很多模型都能cover，seq2seq這種也有現成的可用。建議不要光看example，多看看github上的 issues討論，實在找不到，直接提問。
• 效率方面，我不懂theano怎麼優化，感覺keras的這種封裝，沒什麼成本，跟自己用原生theano是一樣的。當然，theano本身就好慢啊。。估計是我不懂用吧。。

---

這幾年一直在用TensorFlow和Theano，說點個人感受 ：D

優點：

1、Keras基於python，backend可以是TensorFlow或Theano，人氣比較旺。

2、和其他high-level API一樣，都是直接提供上層的框架，很快可以搞出個神經網路原型。

缺點：

1、不支持seq2seq，搞不了高級點的nlp（現在好像支持了）。不過我發現tflearn，lasagne 都不支持seq2seq。目前只知道torch7支持。

2、在TensorFlow backend時，跑同樣的模型比純TensorFlow要慢一倍。。。

3、沒有增強學習工具箱，自己修改實現很麻煩。

4、封裝得太高級，訓練細節不能修改、penalty細節很難修改、不合適演算法研究。

5、用TensorFLow backend時速度比純TensorFLow 下要慢很多。

6、最近更新很慢。

綜上所述，我個人覺得：

Keras 適合快速體驗 ，但若想學紮實一點則用 Tensorlayer 或者直接使用 TensorFlow 和 Theano。

---

首先必須要說的就是，不管你要做什麼，只要是deep leanring有關的，那麼tensorflow是你不可能繞過的，就不說現在很多人論文用tensorflow，工業界用tensorflow的也很多，而且Google推出了tpc，毫無疑問有了tpu，tensorflow速度肯定會更快，可以很明顯的感覺到Google在強推tensorflow，而tensorflow目前也算是默認的老大地位。

有了這一點，我們就可以來談談keras了，因為keras的後端有tensorflow，也就是說要使用tensorflow可以用keras來簡單的代替。我之前一直覺得keras封裝的太高級，不夠靈活，而tensorflow又顯得很笨重，所以對keras和tensorflow一直有點抵觸，不想有tensorflow或者keras來實現模型。

後面出了pytorch，我就去玩pytorch去了，感覺pytorch特別輕，而且很靈活，突然我發現pytorch有好多地方和keras其實挺像的，於是有回到keras看了看，發現其實可以把keras和tensorflow結合起來用，這樣既輕便，同時也有很強的靈活性，相當於把一些重複性的繁瑣的操作用keras封裝起來，而一些自己需要設計的東西呢還是可以用tensorflow自己設計，可以看看這個鏈接將Keras作為tensorflow的精簡介面 - Keras中文文檔。

pytorch由於動態圖的關係確實很靈活，但是performance應該不算很好，沒有tensorboard可視化，雖然github有人自己想辦法弄出來了，同時也分享了，但是還是略顯麻煩，而且分散式支持應該也不太好，畢竟定位於科研，而caffe2應該是fb強推的工業化框架。

所以keras+tensorflow應該算是比較好的一種解決辦法。對於初學者可以用keras搭搭積木，熟悉之後可以和tensorflow配合起來實現很多複雜功能。所以keras提供了從初學者到高級使用者都可以滿足的功能，所以keras其實還是挺好的。

另外對於速度方面我沒有比較過，不知道keras到底慢在什麼方面，如果用keras+tensorflow，我覺得速度應該和tensorflow相當，畢竟只是使用了幾個簡單的layer封裝，而訓練過程還是暴露在tensorflow下。

個人愚見，以上。

---

keras的幾大特點：

文檔齊全

上手快速

純Python編寫

更新迅速

論壇活躍

就是運行速度不太快= =

不過我又不在乎速度~

另外，歡迎訪問keras中文文檔～

Keras中文文檔

記得點進github的頁面加顆星哦～

---

最近一直在用keras，說點個人感受。

1、keras根植於python及theano，人氣比較旺。

2、提供較為上層的框架，搞個深度學習的原型非常方便。

3、更新很快，我記得幾個月前還沒有multi-task的能力，最近再查就提供了graph的對象。

4、最重要的，文檔很全。這點超過其它類似的基於theano的框架（Lasagne, Opendeep, Blocks）

---

感覺不錯，最大的的好處是簡潔 文檔也豐富，examples 也比較合理 包括cv ,nlp都可以用

---

我認為神經網路工具包的模塊化和靈活性是不可兼得的。你要設計奇奇怪怪的網路結構自然是theano好用，如果是把比較流行的模塊拼起來那就keras啦

---

用過一段時間的Keras，其最大的優點在於樣例豐富，現有主流模型封裝完美。複雜點的模型可以像搭積木一樣搞出來，適合快速地prototype。

我個人感覺其主要問題在於對Graph模型的支持上，貌似現在還不支持一個Layer有多個輸入（可以暫時通過Merge Layer解決）。另外，Keras在編譯Theano函數的時候是『自上而下』（https://github.com/fchollet/keras/issues/666）的，對於較複雜的模型而言會帶來編譯時間過長的問題。不過根據作者的反饋來看，這些問題以後都會慢慢解決。

---

如果你覺得torch好用，但又想換回Python來寫deep learning的model，那麼keras絕對是最容易上手的。

事實上，keras每個Layer一個class，層層疊加搭model的理念正是來自於torch。如今人氣已經反超本家，想來主要還是因為Python加成吧。

我個人還是很看好的。

---

難調試

---

長遠來說，我覺得用 TensorFlow bankend 是最好的。以前開發 theano 的人，現在都在 Google，甚至 Caffe 的作者也去 Google 開發 TensorFlow 了。未來的趨勢可想而知。而Keras 最開始是為theano開發的，後來才支持 TensorFlow 導致運行速度很慢很慢！

－－

找到一個速度比較，當這幾個框架使用相同的機器、 TensorFlow版本、CUDA、cuDNN版本時，Keras的速度很慢很慢。。。

另外正如樓上，劉漸江 說的：

keras的數據輸入 沒有敘述的很清楚 到目前為止 並沒有理解keras的時間數據輸入方式

keras 不能自己定義 placeholder，很多操作都不透明，只適合簡單的，跑benchmark的例子，遇到高級的情況就hold不住了，然後發現很多東西改不得，自己實現還不如直接用TensorFlow實現，簡直想哭。

我現在在用16年8月份出的 TensorLayer。它的教程其實就是TensorFlow官方教程的模塊化實現:

教程和API描述：Welcome to TensorLayer

看這個庫速度很快，一下子就學會演算法原理和如何實現了，不會出現看 TensorFlow 教程時，各種糾結的情況。因為我可以一邊看TensorFlow的教程一邊看TensorLayer的教程。

https://www.tensorflow.org/versions/master/tutorials/index.html

跳轉中...

TensorFlow官方文檔中文版_TensorFlow中文教程_TensorFlow開發中文手冊[PDF]下載

更多請參考 TensorFlow如何入門？ - 科技

只是個人觀點，希望對你有用。

---

只說缺點，難調試，一旦出錯直接定位到了theano， 然後就只能靠運氣改參數了

---

優點：支持python，模型庫全，搭模型快，關注度極高，迭代快，可用GPU加速。

缺點：

內部許多類的抽象不合理。

命名略顯混亂。

查看中間層輸出不夠直接。

模型需要compile

這些優缺點很大程度上都是因為現行版本將theano深度耦合，其作者和一些代碼貢獻者也意識到了這個問題，於是計划下一步將theano解藕出來放到單獨的backend模塊里，到時也許可以自由切換其他symbolic引擎。總的來說Keras是一個很有前途的庫。

===============================

更新：

上周作者fork了一個新的backend分支，計劃Keras將TensorFlow作為第二個backend，現在已進入開發階段，將theano和tensorflow的一些函數抽象為統一的API，詳見backend分支。

---

最近也剛接觸到這個包，說說體會吧。

優點：

1 架構靈活，model基於一層層的layer疊加，可插拔性十分強。

2 rnn支持的比較全面，各種網路類型，各種網路結構都支持的較好。

3 各種新式trick都有，比如Batch normalization，PRuLU等等。

4 example很好，作為示範，新手可以很快入門。

缺點：

要說這個，其實就是theano的缺點了，難調試，中間變數很難去追蹤，觀察起來很費力！

總之， keras用著非常舒服，值得一試。

---

功能齊全，文檔齊全，例子齊全，容易上手。

建議直接加入九年制義務教育。

---

開始吭哧吭哧寫matlab，寫完後發現theano這貨更爽，寫了一會發現keras更爽，這才是做研究必備啊，關注模型，不用去寫細節代碼。效率飛快，幾分鐘實現idea。

---

現在Keras支持TensorFlow了！！！

優點：

搭建模型快，上手快，使用方便

缺點：

編譯慢、速度慢（TensorFlow快於Theano）、不好調試，不適用於生產環境

---

Python用的特別多，自然而然地用起了Keras，期待專業人員來一份不同框架之間的深度對比

---

剛開始使用這個keras，在深度學習方面也是新人，簡單說說使用體會。

優點：

1.入門相對簡單，有不少示常式序，可以少改一改就能完成很多簡單的任務

2.源碼閱讀起來不算很難，很多時候可以通過閱讀源碼了解很多問題

缺點：

1.調試較為困難，很多時候也搞不清楚很多層的輸入形式是什麼，比如conv2d的輸入數據形式，遇到此類困難建議參看一些example程序

2.示常式序中有部分必須自己稍微改改代碼才能正常使用，比如我自己發現pretrained_word_embeddings這個示常式序把激活層改成tanh是可以用的，但是用relu就不行，似乎和數據集或者keras的版本有關。

---

推薦閱讀：