中国人工智能产业发展联盟-人工智能行业：深度学习技术选型白皮书（2018年）-2018.10-37页

深度学习技术选型白皮书总结

核心内容

本白皮书由中国人工智能产业发展联盟开源开放推进组发布，旨在为企业在深度学习技术选型过程中提供参考依据，同时为开源框架相关的服务与产品选型评测提供标准。白皮书围绕深度学习训练框架、推断框架及技术生态工具集三个维度，系统梳理了当前深度学习技术体系的发展现状、选型考虑及未来趋势。

主要观点

1. 深度学习框架是人工智能产业化落地的核心

• 深度学习框架通过封装算法模型，实现对数据调用和计算资源的管理，是人工智能技术体系的重要组成部分。
• 框架在算法开发、模型训练、部署优化等方面起着承上启下的作用。
• 当前主流框架包括 TensorFlow、Caffe/Caffe2、PaddlePaddle、MXNet、Keras 等，各具特色，适用于不同场景。

2. 深度学习框架的分类

• 云端训练框架：用于处理海量数据，对算力要求高，需分布式计算支持，适用于工业级模型训练。
• 云端推断框架：专注于模型优化与部署，强调效率和并发性。
• 端侧推断框架：用于移动端或嵌入式设备，需兼顾性能、能耗及芯片适配。

3. 训练框架技术选型现状

3.1 主流框架及其特点

• TensorFlow：生态成熟，功能完备，支持多种算法，灵活性高，适合复杂业务场景。
• Caffe/Caffe2：在计算机视觉领域表现优异，训练速度快，支持多GPU分布式训练，适合图像识别等任务。
• PaddlePaddle：国内自主研发，支持大规模数据处理，中文支持良好，适合工业级应用及中文NLP场景。
• PyTorch & Theano：主要用于算法研究，支持动态图和参数可视化，适合快速实验与模型验证。
• MXNet & Keras：强调易用性，适合实际业务快速迭代开发。

3.2 产业对训练框架的新需求

• 生态碎片化：各框架组件与系统之间信息交互困难，模型复用率低，增加了研发成本。
• 无法满足工程化需求：开源框架在训练速度、可视化工具、扩展性等方面存在不足。
• 多平台适配复杂：算法在不同平台间切换需重复开发，影响开发效率。
• 与硬件耦合度高：开发者需具备一定硬件知识，增加了技术门槛。

关键信息

4. 训练框架选型指标体系

白皮书提出一个包含五个一级指标、多个二级与三级指标的选型评估体系：

• 生态建设

  • 支持的编程语言（如 Python、C++、R）
  • 教程、文档及培训资源
  • 核心开发者及贡献者活跃度

• 易用性

  • 模型复用难易程度
  • 支持高级语言二次开发
  • 自定义扩展能力
  • 跨平台开发支持
  • 模型库支持（如 CNN、RNN、工业级模型）

• 性能

  • 模型运行表现
  • 自定义应用表现（并发性、稳定性）
  • 特征与数据规模处理能力
  • 硬件加速支持（如 GPU、FPGA）

• 支持架构

  • 单/多 GPU 支持
  • 分布式训练支持
  • 虚拟环境支持

• 稳定性

  • 第三方库使用情况

5. 产业优秀使用案例

• TensorFlow：广泛用于目标识别、自然语言处理等场景，支持端到端训练与部署。
• Keras：以简洁高效著称，适合快速开发和模型迭代。
• PaddlePaddle：在信息流广告、大规模稀疏矩阵计算等业务中表现优异。
• Caffe/Caffe2：在计算机视觉领域应用广泛，如人脸识别、视频分析等。
• HiAI计算平台：面向移动终端，提供端侧智能应用支持。
• 轴承故障推断应用：基于云端推断框架实现工业设备故障预测。
• 企业研发推动推断框架性能提升：提升模型在终端设备上的运行效率。

技术发展趋势

• 开源框架将继续主导市场，推动技术普及与生态建设。
• 框架需进一步解耦硬件，提升跨平台兼容性与易用性。
• 模型复用与标准化将成为重点发展方向。
• 深度学习工具链将更加完善，涵盖编译中间件、数据格式、可视化工具、模型压缩等。

合作机构

白皮书由多个合作机构共同参与研究，涵盖企业、学术界及开源社区，推动深度学习技术选型的标准化与规范化。

结语

白皮书为深度学习技术选型提供了系统性分析与评估指标，有助于企业在实际业务中高效选择和使用深度学习框架，推动人工智能技术的产业落地与持续发展。