ディープラーニングの分野でよく使われるディープラーニングフレームワーク10選

このセクションでは、MindSpore、PaddlePaddle、PyTorch、TensorFlow など、ディープラーニングの分野でよく使用される 10 個のディープラーニング フレームワークを紹介します。

1.マインドスポア

ファーウェイは2020年3月28日、2020年開発者会議で、フルシナリオAIコンピューティングフレームワークMindSporeがMayun上で正式にオープンソース化され、エンタープライズレベルのAIアプリケーション開発スイートModelArts ProもHuawei Cloud上でリリースされたことを発表しました。このフレームワークは、独立/共同エンド、エッジ、クラウドをサポートする統合トレーニングおよび推論フレームワークです。図 3-23 は MindSpore フレームワークの構造を示しています。

図3-23 MindSporeフレームワークの構造

API には、Python バージョン、C++ バージョン、Java バージョンが含まれます。MindSpore は、データ サイエンティストとアルゴリズム エンジニアの開発エクスペリエンスを向上させ、Ascend AI プロセッサのネイティブ サポートとソフトウェアとハ​​ードウェアの共同最適化を提供することを目指しています。図3-24はMindSporeの公式Webサイトを示しています。

図3-24 MindSpore公式サイト

2.メグエンジン

2020年3月25日、北京Megvii Technology Co., Ltd.は、AI生産性プラットフォームBrain++のコアコンポーネントであるMegEngineのオープンソースリリースを発表しました。図 3-25 は、自動微分化をサポートする高速でスケーラブルで使いやすいディープラーニング フレームワークである MegEngine のアーキテクチャを示しています。動的および静的な組み合わせのトレーニング機能、トレーニングと推論の統合、すべてのプラットフォームの効率的なサポートという 3 つの機能が含まれています。

図3-25 MegEngineアーキテクチャ

さらに、開発者の移行を容易にし、学習コストを削減するために、Megvii チームは MegEngine フレームワークも全面的にアップグレードしました。フレームワーク全体のインターフェース設計とインターフェースコマンドの面では、PyTorch 機械学習と数学計算における開発者の使用習慣を尊重し、開発者が最短時間ですぐに開始できるようにします。 MegEngine の公式 Web サイトを図 3-26 に示します。

図3-26 MegEngine公式サイト

開発者の学習を促進するために、Megvii チームは MegStudio オンライン ディープラーニング開発プラットフォームも立ち上げました。このプラットフォームは、開発者がディープラーニング開発を迅速かつ効率的に実施できるように、データ、モデル、無料のコンピューティング サービスを提供します。 MegStudio の公式 Web サイトを図 3-27 に示します。

図3-27 MegStudio公式サイト

3. ジッター

2020年3月20日、北京国家情報科学技術研究センターのビジュアルメディアインテリジェントコンピューティングチームは、ディープラーニングフレームワーク「Jittor」のオープンソースリリースを発表しました。 Jittor の公式 Web サイトを図 3-28 に示します。

図3-28 Jittor公式サイト

このフレームワークは完全に動的コンパイルに基づいており、革新的なメタ演算子と統合された計算グラフを内部で使用します。メタ演算子は NumPy と同じくらい簡単に使用できますが、NumPy を超えて、より複雑で効率的な操作を可能にします。統合計算グラフは、静的計算グラフと動的計算グラフの利点を組み合わせ、使いやすくしながら高性能な最適化を実現します。図 3-29 は、Jittor、TensorFlow、PyTorch の機能比較を示しています。

図3-29 フレームワークの比較（画像出典：清華大学公式サイト）

4. パドルパドル

2018 年 7 月、Baidu は CV、NLP、音声、強化学習などのモデルを含むディープラーニング フレームワーク PaddlePaddle v0.14 をオープンソース化しました。約3年間の開発期間を経て、2021年3月にPaddlePaddle 2.0の正式版がリリースされました。このフレームワークは、Baiduの長年のディープラーニング技術研究とビジネスアプリケーションに基づいており、中国初の独自開発、フル機能、オープンソースの産業グレードのディープラーニングプラットフォームです。ディープラーニングのコアトレーニングと推論フレームワーク、基本モデルライブラリ、エンドツーエンドの開発キット、開発者がAIのアイデアを迅速に実現し、AIビジネスを迅速に立ち上げるための豊富なツールを統合しています。 Baidu がオンライン ディープラーニング プラットフォーム AI Studio も提供していることは注目に値します。図3-30はPaddlePaddleの公式ウェブサイトを示しています。

図3-30 PaddlePaddle公式サイト

5. NCNN

NCNN は Tencent Youtu Lab のオープンソース プロジェクトです。モバイル フォン向けに最適化された高性能ニューラル ネットワーク フォワード コンピューティング フレームワークです。このフレームワークは、最初から携帯電話の展開と使用を念頭に置いて設計されました。サードパーティに依存しておらず、クロスプラットフォームです。携帯電話の CPU は、現在知られているすべてのオープン ソース フレームワークよりも高速です。 NCNN をベースにすることで、開発者はディープラーニング アルゴリズムをモバイル フォンに簡単に移植し、効率的に実行して人工知能アプリを開発できます。 NCNN は現在、多くの Tencent アプリケーション (QQ、Qzone、Tiantian Ptu、WeChat など) で使用されています。図3-31はTencent Youtuの公式サイトです。

図3-31 Tencent Youtu公式サイト

6. カフェ

2013 年 9 月、Jia Yangqing は GitHub で Caffe を正式にオープンソース化しました。このフレームワークの完全な英語名は Convolutional Architecture For Fast Embedding です。これは、C++ をコア言語とする明確で効率的なディープラーニング フレームワークです。コードとフレームワークは比較的シンプルで、コードの拡張が容易で、実行速度が速く、詳細な分析に適しているため、初心者が学習するのに非常に適しています。

2017 年 4 月 18 日、Meta (旧 Facebook) は Caffe2 をオープンソース化しました。Caffe2 の開発はパフォーマンスとクロスプラットフォームのデプロイメントに重点を置いており、Meta の PyTorch は迅速なプロトタイピングと研究の柔軟性に重点を置いています。図3-32はCaffe2の公式ウェブサイトを示しています。

図3-32 Caffe2公式サイト

7.MXネット

2016 年 11 月、Amazon は MXNet を正式にオープンソース化しました。このフレームワークは、CNN、RNN、LSTM モデルをサポートする軽量でポータブル、かつ柔軟な分散型ディープラーニング フレームワークです。画像、手書きテキスト、音声認識と予測、自然言語処理のための優れたツールを提供します。メモリとビデオ メモリの分散と最適化をサポートしているのが利点です。同じディープラーニング モデルは、MXNet で占有するメモリとビデオ メモリが少なくなる傾向があります。 MXNetの公式サイトを図3-33に示します。

図3-33 MXNet公式サイト

8. ケラス

2015 年 3 月、Google は Keras を正式にオープンソース化しました。初期バージョンでは CNN と RNN の両方をサポートしていました。このフレームワークは、TensorFlow、Theano、CNTK を基盤エンジンとして使用し、それらの機能を統一された方法でカプセル化します。 Kerasの公式サイトを図3-34に示します。

図3-34 Keras公式サイト

2017 年、Keras は TensorFlow のデフォルト API になりました。これまで、Google は Keras + TensorFlow ディープラーニング フレームワークを積極的に推進してきました。TensorFlow 2.4.1 では、Keras が TensorFlow に統合され、図 3-35 に示すように、tf.keras モジュールとして開発者が利用できるようになりました。

図3-35 tf.kerasモジュール

9. パイトーチ

2017年1月、Meta人工知能研究所はGitHubでPyTorchディープラーニングフレームワークをオープンソース化しました。MetaはLuaベースのディープラーニングライブラリTorchをPythonで書き直し、柔軟で動的なプログラミング環境と使いやすいインターフェースを継承しました。動的ニューラルネットワークを迅速かつ柔軟に構築することをサポートし、トレーニング中にコードをすばやく変更してもパフォーマンスが低下しません。これに基づいて自動微分化システムが追加され、人気のある動的グラフフレームワークになりました。

PyTorch は、Caffe2 と PyTorch 0.4 フレームワークのコード ベースをリファクタリングして統合し、重複するコンポーネントを削除して上位レベルの抽象化を共有し、効率的なグラフ モード実行、モバイル展開、広範なベンダー統合などをサポートしながら、PyTorch と Caffe2 の両方の利点を備えています。 PyTorch の公式 Web サイトを図 3-36 に示します。

図3-36 PyTorch公式サイト

10. テンソルフロー

2015 年 11 月、Google は TensorFlow を正式にオープンソース化しました。 Google Brain チームによって開発されたこのフレームワークは、包括的かつ柔軟なエコシステムを備えた、機械学習のためのエンドツーエンドのオープンソース プラットフォームです。これには、開発者が機械学習を活用したアプリケーションを簡単に構築および展開するのに役立つさまざまなツール、ライブラリ、コミュニティ リソースが含まれています。このフレームワークには、次の 3 つの注目すべき機能があります。

モデルを簡単に構築: モデルをすばやく反復処理し、簡単にデバッグできる熱心な実行環境で、Keras などの直感的な高レベル API を使用して機械学習モデルを簡単に構築およびトレーニングできます。

どこでも本番環境で信頼性の高い機械学習を実現: 開発者は、言語に関係なく、クラウド、ローカル、ブラウザ、デバイスでモデルを簡単にトレーニングしてデプロイできます。

強力な研究実験: 概念をすばやくコードに変換し、高度なプロトタイプを作成して、最終的に外部にリリースします。

現在、TensorFlow は最も完全なエコシステムを備えたディープラーニング フレームワークの 1 つです。C++ で開発されており、Python、JavaScript、C++、Java、Swift、R などの言語からの呼び出しをサポートしています。図3-37はTensorFlowの公式Webサイトを示しています。

図3-37 TensorFlow公式サイト