當(dāng)前，各式各樣深度學(xué)習(xí)框架的發(fā)展充分賦能機器學(xué)習(xí)，尤其是深度學(xué)習(xí)領(lǐng)域，為開發(fā)者提供了極致便利。在本文中，Waymo 軟件工程師 Lin Yuan 細(xì)數(shù)了二十一世紀(jì)以來深度學(xué)習(xí)框架的發(fā)展歷程，并劃分為了石器、青銅、鐵器、羅馬和工業(yè)化時代。

過去十年，機器學(xué)習(xí)（尤其是深度學(xué)習(xí)）領(lǐng)域涌現(xiàn)了大量算法和應(yīng)用。在這些深度學(xué)習(xí)算法和應(yīng)用涌現(xiàn)的背后，是各種各樣的深度學(xué)習(xí)工具和框架。它們是機器學(xué)習(xí)革命的腳手架：TensorFlow 和 PyTorch 等深度學(xué)習(xí)框架的廣泛使用，使得許多 ML 從業(yè)者能夠使用適合的領(lǐng)域特定的編程語言和豐富的構(gòu)建模塊更容易地組裝模型。

回顧深度學(xué)習(xí)框架的演變，我們可以清楚地看到深度學(xué)習(xí)框架和深度學(xué)習(xí)算法之間的緊密耦合關(guān)系。這種相互依賴的良性循環(huán)推動了深度學(xué)習(xí)框架和工具的快速發(fā)展。

By Nationalmuseet, CC BY-SA 3.0,

https://commons.wikimedia.org/w/index.php?curid=90400464

石器時代（21 世紀(jì)初）

神經(jīng)網(wǎng)絡(luò)的概念已經(jīng)出現(xiàn)一段時間了。在 21 世紀(jì)初之前，有一些工具可以用來描述和開發(fā)神經(jīng)網(wǎng)絡(luò)。這些工具包括 MATLAB、OpenNN、Torch 等，它們要么不是專門為神經(jīng)網(wǎng)絡(luò)模型開發(fā)定制的，要么擁有復(fù)雜的用戶 api，缺乏 GPU 支持。在此期間，ML 實踐者在使用這些原始的深度學(xué)習(xí)框架時不得不做很多繁重的工作。

By Nationalmuseet, CC BY-SA 3.0,

https://commons.wikimedia.org/w/index.php?curid=90400464

青銅時代（~2012 年）

2012 年，多倫多大學(xué)的 Alex Krizhevsky 等人提出了一種深度神經(jīng)網(wǎng)絡(luò)架構(gòu)，后來被稱為 AlexNet[1]，該架構(gòu)在 ImageNet 數(shù)據(jù)集上達(dá)到了 SOTA 精度，并大大超過了第二名的選手。這一出色的結(jié)果引發(fā)了深度神經(jīng)網(wǎng)絡(luò)的熱潮，此后各種深度神經(jīng)網(wǎng)絡(luò)模型在 ImageNet 數(shù)據(jù)集的準(zhǔn)確性上不斷創(chuàng)下新高。

大約在這個時候，一些早期的深度學(xué)習(xí)框架，如 Caffe、Chainer 和Theano 應(yīng)運而生。使用這些框架，用戶可以方便地建立復(fù)雜的深度神經(jīng)網(wǎng)絡(luò)模型，如 CNN、RNN、LSTM 等。此外，這些框架還支持多 GPU 訓(xùn)練，這大大減少了對這些模型的訓(xùn)練時間，并且能夠?qū)σ郧盁o法裝入單一 GPU 內(nèi)存的大型模型進(jìn)行訓(xùn)練。在這些框架中，Caffe 和 Theano 使用聲明式編程風(fēng)格，而 Chainer 采用命令式編程風(fēng)格。這兩種不同的編程風(fēng)格也為即將到來的深度學(xué)習(xí)框架設(shè)定了兩條不同的開發(fā)路徑。

Nordisk familjebok — Nordisk familjebok (1910), vol.13, Till art. J?rn?ldern. https://commons.wikimedia.org/w/index.php?curid=109777

鐵器時代（2015 ~ 2016）

AlexNet 的成功引起了計算機視覺領(lǐng)域的高度關(guān)注，并重新點燃了神經(jīng)網(wǎng)絡(luò)的希望，大型科技公司加入了開發(fā)深度學(xué)習(xí)框架的行列。其中，谷歌開源了著名的 TensorFlow 框架，它至今仍是 ML 領(lǐng)域最流行的深度學(xué)習(xí)框架。Caffe 的發(fā)明者加入了 Facebook 并發(fā)布了 Caffe2；與此同時，F(xiàn)acebook AI 研究（FAIR）團隊也發(fā)布了另一個流行的框架 PyTorch，它基于 Torch 框架，但使用了更流行的 Python api。微軟研究院開發(fā)了 CNTK 框架。亞馬遜采用了 MXNet，這是華盛頓大學(xué)、CMU 和其他機構(gòu)的聯(lián)合學(xué)術(shù)項目。TensorFlow 和 CNTK 借鑒了 Theano 的聲明式編程風(fēng)格，而 PyTorch 則繼承了 Torch 的直觀和用戶友好的命令式編程風(fēng)格。命令式編程風(fēng)格更加靈活（比如定義一個 While 循環(huán)等）并且容易跟蹤，而聲明式編程風(fēng)格通常為內(nèi)存和基于計算圖的運行時優(yōu)化提供了更多的空間。另一方面，被稱為「mix」-net 的 MXNet 同時支持一組符號（聲明性）api 和一組命令式 api，并通過一種稱為雜交（hybridization）的方法優(yōu)化了使用命令式 api 描述的模型的性能，從而享受了這兩個領(lǐng)域的好處。 2015 年，何凱明等人提出了 ResNet[2]，再次突破了圖像分類的邊界，在 ImageNet 的準(zhǔn)確率上再創(chuàng)新高。業(yè)界和學(xué)界已經(jīng)達(dá)成共識，深度學(xué)習(xí)將成為下一個重大技術(shù)趨勢，解決各種領(lǐng)域的挑戰(zhàn)，這些挑戰(zhàn)在過去被認(rèn)為是不可能的。在此期間，所有深度學(xué)習(xí)框架都對多 GPU 訓(xùn)練和分布式訓(xùn)練進(jìn)行了優(yōu)化，提供了更加用戶直觀的 api，并衍生出了專門針對計算機視覺、自然語言處理等特定任務(wù)的 model zoo 和工具包。還值得注意的是，F(xiàn)rancois Chollet 幾乎是獨自開發(fā)了 Keras 框架，該框架在現(xiàn)有框架（如 TensorFlow 和 MXNet）之上提供了神經(jīng)網(wǎng)絡(luò)和構(gòu)建塊的更直觀的高級抽象。從今天開始，這種抽象成為 TensorFlow 中模型層面事實上的 api。

By User Lamré on sv.wikipedia

https://commons.wikimedia.org/w/index.php?curid=801434

羅馬時代（2019 ~ 2020）

正如人類歷史的發(fā)展一樣，深度學(xué)習(xí)框架經(jīng)過一輪激烈的競爭，最終形成了兩大「帝國」：TensorFlow 和 PyTorch 的雙頭壟斷，這兩大「帝國」代表了深度學(xué)習(xí)框架研發(fā)和生產(chǎn)中 95% 以上的用例。2019 年，Chainer 團隊_將他們的開發(fā)工作轉(zhuǎn)移到 PyTorch；類似地，微軟_停止了 CNTK 框架的積極開發(fā)，部分團隊成員轉(zhuǎn)而支持 Windows 和 ONNX 運行時上的 PyTorch。Keras 被 TensorFlow 收編，并在 TensorFlow 2.0 版本中成為其高級 api 之一。在深度學(xué)習(xí)框架領(lǐng)域，MXNet 仍然位居第三。

在此期間，深度學(xué)習(xí)框架空間有兩種趨勢。首先是大型模型訓(xùn)練。隨著 BERT[3] 的誕生，以及它的近親 GPT-3[4] 的誕生，訓(xùn)練大型模型的能力成為了深度學(xué)習(xí)框架的理想特性。這就要求深度學(xué)習(xí)框架能夠在數(shù)百臺（如果不是數(shù)千臺的話）設(shè)備的規(guī)模下有效地進(jìn)行訓(xùn)練。第二個趨勢是可用性。這一時期的深度學(xué)習(xí)框架都采用命令式編程風(fēng)格，語義靈活，調(diào)試方便。同時，這些框架還提供了用戶級的裝飾器或 api，以通過一些 JIT（即時）編譯器技術(shù)實現(xiàn)高性能。

By Tharunbr77 — Own work, CC BY-SA 4.0,

https://commons.wikimedia.org/w/index.php?curid=86866550

工業(yè)時代（2021+）

深度學(xué)習(xí)在自動駕駛、個性化推薦、自然語言理解到醫(yī)療保健等廣泛領(lǐng)域取得了巨大成功，帶來了前所未有的用戶、開發(fā)者和投資者浪潮。這也是未來十年開發(fā)深度學(xué)習(xí)工具和框架的黃金時期。盡管深度學(xué)習(xí)框架從一開始就有了長足的發(fā)展，但它們之于深度學(xué)習(xí)的地位還遠(yuǎn)遠(yuǎn)不如編程語言 JAVA/ c++ 之于互聯(lián)網(wǎng)應(yīng)用那樣的成熟。還有很多令人興奮的機會和工作有待探索和完成。 展望未來，有幾個技術(shù)趨勢有望成為下一代深度學(xué)習(xí)框架的主流：

基于編譯器的算子（operator）優(yōu)化。

如今，許多操作符內(nèi)核都是通過手動或第三方庫實現(xiàn)的，比如 BLAS、CuDNN、OneDNN 等，這些庫針對特定的硬件平臺。當(dāng)模型被訓(xùn)練或部署在不同的硬件平臺上時，這會造成很大的開銷。此外，新的深度學(xué)習(xí)算法的增長速度往往比這些庫的迭代速度快得多，這使得這些庫常常不支持新的算子。深度學(xué)習(xí)編譯器，如 Apache TVM、MLIR、Facebook Glow 等，已經(jīng)提出了在任何硬件后端上有效優(yōu)化和運行計算的建議。它們可以作為深度學(xué)習(xí)框架的整個后端。

統(tǒng)一的 API 標(biāo)準(zhǔn)。

許多深度學(xué)習(xí)框架共享類似但略有不同的用戶 api。這給用戶從一個框架切換到另一個框架帶來了困難和不必要的學(xué)習(xí)曲線。雖然大多數(shù)機器學(xué)習(xí)從業(yè)者和數(shù)據(jù)科學(xué)家都熟悉 NumPy庫，但在新的深度學(xué)習(xí)框架中，NumPy API 自然會成為 tenor 操作 API 的標(biāo)準(zhǔn)。我們已經(jīng)看到快速發(fā)展的框架 JAX 受到了用戶的熱烈歡迎，它的 api 完全與 NumPy 兼容。

數(shù)據(jù)搬運作為一等公民。

多節(jié)點或多設(shè)備訓(xùn)練正在成為深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練的規(guī)范。最近開發(fā)的深度學(xué)習(xí)框架，如 OneFlow，從設(shè)計的第一天起就將這一觀點納入設(shè)計考慮，并將數(shù)據(jù)通信視為模型訓(xùn)練的整體計算圖的一部分。這為性能優(yōu)化打開了更多的機會，而且由于它不需要像以前的深度學(xué)習(xí)框架那樣維護多種訓(xùn)練策略（單設(shè)備 vs 分布式訓(xùn)練），因此除了提供更好的性能之外，它還可以提供更簡單的用戶界面。

總結(jié)

我們正處于一場人工智能革命的黎明。人工智能領(lǐng)域的新研究和新應(yīng)用正在以前所未有的速度涌現(xiàn)。八年前，AlexNet 網(wǎng)絡(luò)包含 6000 萬個參數(shù)，最新的 GPT-3 網(wǎng)絡(luò)包含 1750 億參數(shù)，網(wǎng)絡(luò)規(guī)模在 8 年內(nèi)增加了 3000 倍！另一方面，人類的大腦包含大約 100 萬億個參數(shù)（即突觸）。這表明，如果有可能的話，神經(jīng)網(wǎng)絡(luò)要達(dá)到人類的智能水平還有很大的差距。

這種難以接受的網(wǎng)絡(luò)規(guī)模對模型訓(xùn)練和推理的硬件和軟件計算效率都提出了很大的挑戰(zhàn)。未來的深度學(xué)習(xí)框架很可能是算法、高性能計算、硬件加速器和分布式系統(tǒng)的跨學(xué)科成果。

責(zé)任編輯：lq