雷鋒網(wǎng)按：本文作者賈揚清，擁有加州大學伯克利分校計算機科學博士學位、清華大學碩士學位和學士學位，曾于新加坡國立大學、微軟亞洲研究院、NEC美國實驗室、Google Brain工作，現(xiàn)任Facebook研究科學家，負責前沿AI平臺的開發(fā)以及前沿的深度學習研究。

在伯克利期間開發(fā)了深度學習框架Caffe，在Google期間參與了ImgeNet2014比賽、TensorFlow平臺的開發(fā)、基于深度學習的產(chǎn)品開發(fā)和產(chǎn)品咨詢等。在AI領域有數(shù)年的研究經(jīng)歷。

在深度學習領域，Caffe框架是人們無法繞過的一座山。這不僅是因為它無論在結構、性能上，還是在代碼質(zhì)量上，都稱得上一款十分出色的開源框架。更重要的是，它將深度學習的每一個細節(jié)都原原本本地展現(xiàn)出來，大大降低了人們學習研究和開發(fā)的難度。

這一次，大牛講堂將Caffe框架的作者賈揚清請到了地平線，他將結合自己在Google、Facebook的工作經(jīng)歷以及Caffe等學習架構的開發(fā)經(jīng)驗，為大家分享「怎樣打造更加優(yōu)秀的深度學習架構」。

從Caffe的開發(fā)中了解到的用戶需求

深度學習的框架總會不斷改變，Caffe也會有被新框架代替的一天。但是在開發(fā)Caffe的過程中，賈揚清發(fā)現(xiàn)大家喜歡的框架其實有著很多相似的地方，這些閃光點擁有很長的生命周期，發(fā)現(xiàn)并掌握人們這些共同偏好將為以后開發(fā)新的框架積累經(jīng)驗。他在反復總結之后，認為Caffe之所以廣受歡迎可能是因為有以下的四個特點：

1、 穩(wěn)定的模型架構

Caffe通過Protobuf來定義一個網(wǎng)絡的結構，而這個由Google開源的庫具有優(yōu)秀的版本兼容性。隨著Caffe的框架源碼的不斷更新迭代，之前定義的網(wǎng)絡結構依然能兼容解析，模型仍然能正確加載運行。

2、較好的設備抽象

合理的設備抽象能夠精簡代碼，提高框架適用性。在這方面Caffe做了比較好的嘗試，模型的訓練和使用與不同的平臺耦合比較低，只要平臺能解析網(wǎng)絡結構并讀取二進制的模型參數(shù)，就能運行該模型。這樣大大拓展了框架的應用范圍，自然更加符合用戶的使用需求。

3、清晰的說明教程

如何讓首次接觸到框架的人通過說明教程就能最快地熟悉運用，這對于一個新面世的框架來說尤為重要。以Caffe為例，用戶只需要將官方文檔的例子跑一遍，基本就能清楚Caffe的操作過程和細節(jié)，這給它的廣泛傳播提供了最堅實的基礎。

4、開放的模型倉庫

目前Caffe還維護了一個Model Zoo， 許多論文的作者會將模型發(fā)布到這里，其它用戶可以利用這些材料輕松地將模型復現(xiàn)，還可以在github上參與開發(fā)討論，從而更深入地學習實踐。

 現(xiàn)有深度學習框架的側(cè)重點

人們的需求多種多樣，目前，還沒有任何一種深度學習的框架能夠滿足人們所有的需求。對于工業(yè)界而言，從業(yè)者看重的是框架的穩(wěn)定性強、數(shù)據(jù)量大、速度快、容易進行數(shù)據(jù)整合等。

而對于學術界來說，學者們更希望框架容易調(diào)試、靈活性要強、迭代要快。因此，比照現(xiàn)有深度學習框架的特點，Theano、Torch可能會更加適合學術界，而D4J等可能就要更適合工業(yè)界一些，至于Caffe、Tensor flow等為代表的框架則是介于二者之間。

 對未來機器學習框架設計的一些思考

1、使用計算圖 (computation graph)

Caffe框架在實現(xiàn)網(wǎng)絡的forward, backward, update時，是通過Solver, Net, Layer之間遞進地逐步回調(diào)對應的forward, backward, update來實現(xiàn)的，在加入并行化之后，為了用計算來覆蓋數(shù)據(jù)傳輸?shù)臅r間，這些回調(diào)的運用會變得相對復雜。

因此，目前許多框架都在往computation graph的風格上偏移。這種基于computation graph的深度學習框架不僅在網(wǎng)絡的更新方面更加直接，而且在并行方面，無論是數(shù)據(jù)并行方式還是模型并行方式，都能做到接近線性的提速。大家未來也可以在這個方向做些嘗試。

2、高效方便地輸入數(shù)據(jù)

對于Caffe用戶而言，首要問題便是如何導入數(shù)據(jù)。尤其是在算法比較簡單時，保證數(shù)據(jù)輸入的高效性將成為制約模型的首要因素。之前進行的某個項目里，在8個GPU(Titan X)上訓練AlexNet，需要達到每秒鐘處理1600張圖片（3.14GB/s）的要求。甚至對于另外一些模型而言，還需要更多的吞吐量。如果數(shù)據(jù)接口沒有做好，是絕對無法達到這樣的要求的。

3、更快的速度

網(wǎng)絡結構實現(xiàn)需要在靈活性和速度上進行權衡，這種權衡可以體現(xiàn)在框架設計的粗細粒度上。例如一個Inception的結構，是做成像Caffe這樣通過各個層的累積來形成，還是直接由Conv2D, BiasAdd, Relu這樣的基本計算來直接構造一個Inception結構。這樣不同粗細粒度的構建方法體現(xiàn)了整個框架對速度或是靈活性的權衡。

另外，對于底層的實現(xiàn)，最好用硬件供應商提供的數(shù)值計算庫，比如CuDNN, MKL-DNN,Accelerate,Eigen,NNPack等。

4、 可移植性

要提升框架的實用價值，就必須提升其訓練出的模型的可移植性。換句話說，也就是要讓框架訓練出的模型具有平臺無關性，包括了系統(tǒng)層面（windows、linux、android、iOS、OS X等）及硬件層面（CPU、GPU、FPGA、ARM等）。這就必須使得設計出的模型更加輕量。

雷鋒網(wǎng)(搜索“雷鋒網(wǎng)”公眾號關注)注：本文由大牛講堂授權雷鋒網(wǎng)發(fā)布，如需轉(zhuǎn)載請聯(lián)系原作者，并注明作者和出處，不得刪減內(nèi)容。有興趣可以關注公號地平線機器人技術，了解最新消息。

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。