- 当前位置：首页 >应用开发 >对比复现34个预训练模型，PyTorch和Keras你选谁？
对比复现34个预训练模型，PyTorch和Keras你选谁？
发布时间：2025-11-04 16:24:11 来源：创站工坊 作者：人工智能
Keras 和 PyTorch 当然是对比对初学者最友好的深度学习框架，它们用起来就像描述架构的复现简单语言一样，告诉框架哪一层该用什么。个预这样减少了很多抽象工作，训练s选例如设计静态计算图、模型分别定义各张量的对比维度与内容等等。
但是复现，到底哪一个框架更好一点呢?个预当然不同的开发者和研究者会有不同的爱好，也会有不同的训练s选看法。本文主要从抽象程度和性能两个方面对比 PyTorch 与 Keras，模型并介绍了一个新的对比基准，它复现并对比了两个框架的复现所有预训练模型。
在 Keras 和 PyTorch 基准项目中，个预MIT 在读博士 Curtis G. Northcutt 复现了 34 个预训练模型。训练s选该基准结合了 Keras 和 PyTorch，模型并将它们统一到一个框架内，这样我们就能知道这两个框架的对比结果，知道不同模型用什么框架好。例如，项目作者表示 ResNet 架构的模型使用 PyTorch 要比 Keras 效果好，Inception 架构的模型使用 Keras 又要比 PyTorch 好。免费源码下载
Keras 和 PyTorch 基准项目：https://github.com/cgnorthcutt/benchmarking-keras-pytorch
一、两大框架的性能与易用性
作为 TensorFlow 的高度封装，Keras 的抽象层次非常高，很多 API 细节都隐藏了起来。虽然 PyTorch 比 TensorFlow 的静态计算图更容易使用，但总体上 Keras 隐藏的细节更多一些。而对于性能，其实各框架都会经过大量的优化，它们的差别并不是很明显，也不会作为主要的选择标准。
1. 易用性
Keras 是一个更高级别的框架，将常用的深度学习层和运算封装进便捷的构造块，并像积木一样搭建复杂模型，开发者和研究者不需要考虑深度学习的复杂度。
PyTorch 提供一个相对较低级别的实验环境，使用户可以更加自由地编写自定义层、查看数值优化任务等等。例如在 PyTorch 1.0 中，高防服务器编译工具 torch.jit 就包含一种名为 Torch Script 的语言，它是 Python 的子语言，开发者使用它能进一步对模型进行优化。
我们可以通过定义简单的卷积网络看看两者的易用性：
model = Sequential() model.add(Conv2D(32, (3, 3), activation=relu, input_shape=(32, 32, 3))) model.add(MaxPool2D()) model.add(Conv2D(16, (3, 3), activation=relu)) model.add(MaxPool2D()) model.add(Flatten()) model.add(Dense(10, activation=softmax))如上所示为 Keras 的定义方式，很多时候运算都会作为参数嵌入到 API 中，因此代码会显得非常简洁。如下所示为 PyTorch 的定义方式，它一般都是通过类和实例的方式定义，且具体运算的很多维度参数都需要定义。
class Net(nn.Module): def __init__(self): super(Net, self).__init__() self.conv1 = nn.Conv2d(3, 32, 3) self.conv2 = nn.Conv2d(32, 16, 3) self.fc1 = nn.Linear(16 * 6 * 6, 10) self.pool = nn.MaxPool2d(2, 2) def forward(self, x): x = self.pool(F.relu(self.conv1(x))) x = self.pool(F.relu(self.conv2(x))) xx = x.view(-1, 16 * 6 * 6) x = F.log_softmax(self.fc1(x), dim=-1) return x model = Net()虽然 Keras 感觉比 PyTorch 更易于使用，但两者的差别不大，都期望模型的编写能更便捷。
2. 性能
目前有很多对比各框架性能的实验都表明 PyTorch 的训练速度相比 Keras 会快一些。如下两张图表展示了不同框架在不同硬件和模型类型的表现：
下面两张同样展示了不同模型在 PyTorch 和 Keras 框架下的性能，这两份 18 年的测试都表明 PyTorch 的速度要比 Keras 快那么一点点。WordPress模板
这两份对比细节可查阅：
https://github.com/ilkarman/DeepLearningFrameworks/ https://wrosinski.github.io/deep-learning-frameworks/二、Keras 和 PyTorch Benchmark
现在如果我们从预训练模型的角度看，那么相同的模型在不同的框架上，验证集准确度又是什么样的?在这个项目中，作者用两个框架一共复现了 34 个预训练模型，并给出了所有预训练模型的验证准确率。所以该项目不仅能作为对比依据，同时还能作为学习资源，又有什么比直接学习经典模型代码更好的方法呢?
1. 预训练模型不是已经可以复现了吗?
在 PyTorch 中是这样的。然而有些 Keras 用户却觉得复现非常难，他们遇见的问题可以分为三类：
不能复现 Keras 已发布的基准结果，即使完全复制示例代码也没有用。实际上，他们报告的准确率(截止到 2019 年 2 月)通常略高于实际准确率。 一些预训练的 Keras 模型在部署到某个服务器或与其他 Keras 模型一起依次运行时会产生不一致或较低的准确率。 使用批归一化(BN)的 Keras 模型可能并不可靠。对于一些模型，前向传播评估仍然会导致推理阶段中的权重改变。这些问题都是现实存在的，原 GitHub 项目为每个问题都提供了链接。项目作者的目标之一是通过为 Keras 预训练模型创建可复现基准，从而帮助解决上述的一些问题。解决方法可分为以下三个方面，在 Keras 中要做到：推理期间避免分批(batches)。
每次运行一个样本，这样做非常慢，但可以为每个模型得出一个可复现的输出。
只在本地函数或 with 语句中运行模型，以确保在加载下一个模型时，前一个模型的任何东西都不会保存在内存中。
2. 预训练模型复现结果
以下是 Keras 和 PyTorch 的「实际」验证集准确度表(已经在 macOS 10.11.6、Linux Debian 9 和 Ubuntu 18.04 上得到验证)。
3. 复现方法
首先需要下载 ImageNet 2012 验证集，该数据集包含 50000 张图片。在 ILSVRC2012_img_val.tar 下载完成后，运行以下命令行预处理/提取验证集：
# Credit to Soumith: https://github.com/soumith/imagenet-multiGPU.torch $ cd ../ && mkdir val && mv ILSVRC2012_img_val.tar val/ && cd val && tar -xvf ILSVRC2012_img_val.tar $ wget -qO- https://raw.githubusercontent.com/soumith/imagenetloader.torch/master/valprep.sh | bashImageNet 验证集中每个示例的 top 5 预测已经进行了预计，运行以下命令行将直接使用这些预计算结果，并在几秒内复现 Keras 和 PyTorch 基准。
$ git clone https://github.com:cgnorthcutt/imagenet-benchmarking.git $ cd benchmarking-keras-pytorch $ python imagenet_benchmarking.py /path/to/imagenet_val_data不使用预计算数据也可以复现每个 Keras 和 PyTorch 的推理输出。Keras 的推理要花很长时间(5-10 小时)，因为每次只计算一个示例的前向传播，还要避免向量计算。如果要可靠地复现同样的准确率，这是目前发现的***的方法。PyTorch 的推理非常快(一个小时都不到)。复现代码如下：
$ git clone https://github.com:cgnorthcutt/imagenet-benchmarking.git $ cd benchmarking-keras-pytorch $ # Compute outputs of PyTorch models (1 hour) $ ./imagenet_pytorch_get_predictions.py /path/to/imagenet_val_data $ # Compute outputs of Keras models (5-10 hours) $ ./imagenet_keras_get_predictions.py /path/to/imagenet_val_data $ # View benchmark results $ ./imagenet_benchmarking.py /path/to/imagenet_val_data你可以控制 GPU 的使用、批大小、输出存储目录等。运行时加上-h flag，可以查看命令行参数选项。
看完文章之后，你更中意谁呢?
原文链接：http://l7.curtisnorthcutt.com/towards-reproducibility-benchmarking-keras-pytorch
【本文是专栏机构“机器之心”的原创译文，微信公众号“机器之心( id: almosthuman2014)”】
戳这里，看该作者更多好文
- 系统重装教程PE（简单易懂的系统重装教程，让您轻松搞定电脑系统恢复）
- 以a米八核手机如何满足您的需求？（性能强悍，功能齐全，a米八核手机是您的首选！）
- 华为最新款手机的功能和性能如何？（一起来了解华为最新款手机的亮点和特色吧！）
- 长虹49Q1R电视机的特点和优势（全面升级，打造高品质视觉体验）
- HTCOneMax拍照表现如何？（探索HTCOneMax相机的功能与性能）
- 探讨在苹果设备上安装Windows10的影响及挑战（苹果装Windows10，）
- 探索L35H的性能和特点（一款令人惊艳的创新之作）
- 探索惠普薄锐的卓越表现与创新技术（一款引领时代的高性能笔记本电脑）
- 解决电脑Java平台错误的有效方法（探索如何应对和修复常见的电脑Java平台错误）
- 闪迪M2固态硬盘的性能评测（高速传输与可靠性的完美结合）
- 办公电脑教程（提升办公效率，掌握Windows操作技巧）
- Rock洛克耳麦的性能如何？（Rock洛克耳麦的音质和舒适性测评）
- 格力通手机的性能和用户体验详细评测（一部性价比高且功能强大的手机，用格力通手机畅享智能生活）
- 统帅4K电视（探索无限画质，领略智能家居新时代）
- 联想主板安装教程（详细教您如何正确安装联想主板，让您的电脑更稳定更高效）
- 海康威视存储技术的应用与优势（海康威视存储技术在安防领域的卓越性能与创新解决方案）
- 通信硬件（探索通信硬件的进展及应用领域）
- 技嘉GTX670显卡性能评测及综合分析（深入探究技嘉GTX670显卡的性能表现和使用体验，帮助用户进行选择）
- 用电脑合成人物剪纸，打造独特的手工艺品（电脑合成剪纸教程，手工艺品新潮流）
- 美的330wtv冰箱的特点与优势（智能科技与高效节能的结合，打造理想冰箱）
随便看看
- Copyright © 2025 Powered by 对比复现34个预训练模型，PyTorch和Keras你选谁？,创站工坊 滇ICP备2023006006号-44sitemap