做出合適選擇的最佳方法是對每個框架的代碼樣式有一個概覽。開發(fā)任何解決方案時首先也是最重要的事就是開發(fā)工具。你必須在開始一項工程之前設置好開發(fā)工具。一旦開始，就不能一直換工具了，否則會影響你的開發(fā)效率。

作為初學者，你應該多嘗試不同的工具，找到最適合你的那一個。但是當你認真開發(fā)一個項目時，這些事應該提前計劃好。

每天都會有新的框架和工具投入市場，而最好的工具能夠在定制和抽象之間做好平衡。工具應該和你的思考方式和代碼樣式同步。因此要想找到適合自己的工具，首先你要多嘗試不同的工具。

我們同時用Keras和PyTorch訓練一個簡單的模型。如果你是深度學習初學者，對有些概念無法完全理解，不要擔心。從現(xiàn)在開始，專注于這兩個框架的代碼樣式，盡量去想象哪個最適合你，使用哪個工具你最舒服，也最容易適應。

這兩個工具最大的區(qū)別在于：PyTorch默認為eager模式，而 Keras 基于TensorFlow和其他框架運行（現(xiàn)在主要是 TensorFlow），其默認模式為圖模式。最新版本的 TensorFlow也提供類似PyTorch的eager模式，但是速度較慢。

如果你熟悉 NumPy，你可以將PyTorch視為有GPU支持的 NumPy。此外，現(xiàn)在有多個具備高級API（如 Keras）且以PyTorch為后端框架的庫，如Fastai、Lightning、Ignite等。如果你對它們感興趣，那你選擇PyTorch的理由就多了一個。

在不同的框架里有不同的模型實現(xiàn)方法。讓我們看一下這兩種框架里的簡單實現(xiàn)。本文提供了Google Colab鏈接。打開鏈接，試驗代碼，這可以幫助你找到最適合自己的框架。

我不會給出太多細節(jié)，因為在此，我們的目標是看一下代碼結(jié)構(gòu)，簡單熟悉一下框架的樣式。

以下示例是數(shù)字識別的實現(xiàn)。代碼很容易理解。你需要打開colab，試驗代碼，至少自己運行一遍。

Keras自帶一些樣本數(shù)據(jù)集，如MNIST手寫數(shù)字數(shù)據(jù)集。以上代碼可以加載這些數(shù)據(jù)，數(shù)據(jù)集圖像是NumPy數(shù)組格式。Keras 還做了一點圖像預處理，使數(shù)據(jù)適用于模型。

以上代碼展示了模型。在Keras（TensorFlow）上，我們首先需要定義要使用的東西，然后立刻運行。在Keras中，我們無法隨時隨地進行試驗，不過PyTorch可以。

以上的代碼用于訓練和評估模型。我們可以使用save() 函數(shù)來保存模型，以便后續(xù)用load_model()函數(shù)加載模型。predict()函數(shù)則用來獲取模型在測試數(shù)據(jù)上的輸出。

現(xiàn)在我們概覽了Keras基本模型實現(xiàn)過程，現(xiàn)在來看PyTorch。

研究人員大多使用PyTorch，因為它比較靈活，代碼樣式也是試驗性的。你可以在PyTorch中調(diào)整任何事，并控制全部。

在PyTorch里進行試驗是很容易的。因為你不需要先定義好每一件事再運行。我們能夠輕松測試每一步。因此，在PyTorch中debug要比在 Keras 中容易一些。

接下來，我們來看簡單的數(shù)字識別模型實現(xiàn)。

以上代碼導入了必需的庫，并定義了一些變量。n_epochs、momentum等變量都是必須設置的超參數(shù)。此處不討論細節(jié)，我們的目的是理解代碼的結(jié)構(gòu)。

以上代碼旨在聲明用于加載訓練所用批量數(shù)據(jù)的數(shù)據(jù)加載器。下載數(shù)據(jù)有很多種方式，不受框架限制。如果你剛開始學習深度學習，以上代碼可能看起來比較復雜。

在此，我們定義了模型。這是一種創(chuàng)建網(wǎng)絡的通用方法。我們擴展了nn.Module，在前向傳遞中調(diào)用forward()函數(shù)。

PyTorch的實現(xiàn)比較直接，且能夠根據(jù)需要進行修改。

以上代碼段定義了訓練和測試函數(shù)。在Keras中，我們需要調(diào)用fit()函數(shù)把這些事自動做完。但是在PyTorch中，我們必須手動執(zhí)行這些步驟。像Fastai這樣的高級API庫會簡化它，訓練所需的代碼也更少。

最后，保存和加載模型，以進行二次訓練或預測。這部分沒有太多差別。PyTorch模型通常有pt或pth擴展。

學會一種模型并理解其概念后，再轉(zhuǎn)向另一種模型，并不是件難事，只是需要一些時間?？梢允莾蓚€都學，但是不需要兩個都深入地學。

你應該從一個開始，然后在該框架中實現(xiàn)模型，同時也應當掌握另一個框架的知識。這有助于你閱讀別人用另一個框架寫的代碼。永遠不要被框架限制住。

先從適合自己的框架開始，然后嘗試學習另一個。如果你發(fā)現(xiàn)另一個用起來更合適，那么轉(zhuǎn)換成另一個。因為PyTorch和Keras的大多數(shù)核心概念是類似的，二者之間的轉(zhuǎn)換非常容易。

外網(wǎng)原文鏈接：https://medium.com/@karan_jakhar/keras-vs-pytorch-dilemma-dc434e5b5ae0

實踐出真知，尋找最適合自己的深度學習框架，需要多多嘗試。此時擁有一臺性能強勁的深度學習工作站，尋找心儀框架事半功倍，令您研究得心應手。Cloudhin?云軒專注Deep learning和高性能計算服務器定制，針對主要深度學習框架（如TensorFlow、Caffe 2、Theano或Torch）進行了優(yōu)化和設置，在桌面上即可提供強大的深度學習功能。

Cloudhin?云軒WS4148深度學習水冷工作站搭載6核12線程Intel Core i7 X系列處理器，配合英特爾睿頻加速MAX技術(shù)3.0助力高效進行計算密集型工作負載?？蛇x四路Nvidia Titan V GPU，將超算架構(gòu)帶入您的PC，單塊即有12GB HBM2顯存和640個Tensor核心，可提供110萬億次浮點運算性能。強強聯(lián)合，盡享GPU加速人工智能和深度學習的強大功能，幫助AI開發(fā)者和數(shù)據(jù)科學家更快取得成果。

專業(yè)勤修，銳意進取。云軒技術(shù)工程師畢業(yè)于NVIDIA深度學習研究所，豐富經(jīng)驗，值得信賴。更多定制方案請聯(lián)系客服，我們將實時響應您的定制需求，做您服務器的貼心管理者。