tensorflow caffe框架对比总结

Love The Way You Lie 2022-03-01 06:47 350阅读 0赞

### 1. 数据结构 ###

***tensorflow***：tensor—相当于N维的array或者list，维数可变，数据类型一旦定义不能改变  
***caffe***：Blob—存储的数据可以看成N维的c数组，有(n,k,h,w)四个维数，一个blob里面有两块数据空间保存前向和后向求导数据

### 2. 开发语言 ###

***tensorflow：*** c++ / cuda / python  
***caffe：*** c++ / cuda

### 3. 支持接口 ###

***tensorflow：*** c++ / python  
***caffe：*** c++ / python / matlab

### 4. 支持模型 ###

***tensorflow：*** CNN / RNN / 等 通用机器学习模型  
***caffe：*** CNN

### 5. 上手难易 ###

***tensorflow：*** 中上等  
***caffe：*** 中等

### 6. 安装难度 ###

***tensorflow：*** 容易  
***caffe：*** 中等

### 7. 社区（改bug） ###

***tensorflow：*** 完备，改bug容易  
***caffe：*** 非常完备，能找到各种bug出错原因和解决办法，改bug非常容易

### 8. 网络构建 ###

***tensorflow：*** 符号计算方式，它的程序分为计算构造阶段和执行阶段，构造阶段是构造出computation graph（和数据流程图类似），执行阶段启动session的run来执行已经定义好的graph  
***caffe：*** 功能（过程）计算方式，它首先按照每一个大功能（可视化、损失函数、非线性激励、数据层）将功能分类并针对部分功能实现相应的父类，再将具体的功能实现成子类，或者直接继承Layer类，从而形成了XXXLayer的形式，最后将不同的layer组合起来就成了net

### 9. 分布式训练 ###

***tensorflow：*** 不支持多机分布训练，支持多gpu，数据并行训练。通过调用 with tf.device(‘/gpu:2’) 表示接下来的操作要在gpu2上处理  
***caffe：*** 不支持多机分布训练，支持多gpu，数据并行训练。通过直接在执行指令后面加上 -gpu 0,1 来表示调用两个gpu0和1。  
***如何将卷积网络放在多gpu上训练：***

1.  数据并行
2.  模型并行。模型并行指的是将一个完整的网络切分成不同块放在不同gpu上执行，每个gpu可能只处理某一张图的四分之一。模型并行的因为是显存不够，放不下整个网络的数据，而现在gpu的功能性能提高，一个gpu已经能够很好的解决显存不够的问题，再加上模型并行会有额外的通信开销，因此开源框架采用了数据并行，用来提高并行度

### 10. 反向传播 ###

***tensorflow：*** 支持自动求导，反向传播无需自定义求解梯度  
***caffe：*** 需要用户自己写 C++或者 CUDA  
***网络每层Layer 定义两种运算***

*  \[1 \] 正向（forward）的运算，从输入数据计算输出结果，也就是模型的预测过程
 *  \[ 2 \] 反向（backward）的运算，从输出端的 gradient 求解相对于输入的 gradient

### 11. 定位 ###

***tensorflow：*** google大牛写的，可用于语音识别或图像识别等多领域深度学习  
***caffe：*** 伯克利大学博士贾扬清写的，主要用于计算机视觉领域，在深度学习框架里开发较早

### 总体评价 ###

![在这里插入图片描述][2019041516515843.png]

[2019041516515843.png]: /images/20220301/bc622f9162e04ccba48e70f08a3c47cd.png