豪 發自 凹非寺
量子位 報道 | 公眾號 QbitAI
Keras一直深受程序員的歡迎，就在幾天前，MIT CSAIL剛幫它慶祝了6周歲生日。
然而，一轉眼，reddit上卻在為它舉辦“葬禮”。
一篇“Keras正在被谷歌殺死”的帖子，在reddit上引發熱議。
6歲的Keras經歷了什么？
Keras最初由一位谷歌工程師開發，是一個開源高層深度學習API，其開發重點是支持快速實驗。
由于Keras本身不具備底層運算能力，所以需要和具備底層運算能力的后端協同工作。
最初發行的時候，Keras支持以Theano、CNTK等作為后端，而那個時候TensorFlow還沒有開源。
而用戶對Keras的評價，正如reddit文章作者所說：
“Keras早在幾年前就可用，而且API穩定，這是它巨大的優勢……最初的Keras只是一個機器學習的高級API規范，與缺少工程背景的人合作時，這點非常好。”
TensorFlow則是谷歌公司開發的開源軟件庫，用于各種感知和語言理解任務的機器學習，具有很強的功能性。
2015年11月，谷歌將TensorFlow0.1開源，而后逐漸穩定，并發展出強大的用戶群，成為深度學習框架的NO.1。
于是從Keras v1.1.0開始，TensorFlow成為Keras的默認后端，二者的用戶量也產生關聯。
不過，TensorFlow逐漸由于API穩定性不足、靜態計算圖編程復雜等缺陷，遇到了發展瓶頸。
與此同時，PyTorch的動態圖開發模式，以及更加便捷的編程方式，不斷吸引TF的用戶轉換陣營。
這迫使谷歌作出改變，考慮到Keras簡單易用，還擁有強大的用戶基礎，于是谷歌將它集成進TensorFlow2.0，成為了tf.keras。
本應是個皆大歡喜的結果，卻出現了不少質疑聲。作者就表示：TF2延續了TF1的缺點，而Keras的優勢正慢慢消失。
“谷歌將其并入TensorFlow2，這本身沒有問題，但Keras正在被慢慢“殺死。”
之所以產生這樣的觀點，他給出了3個理由：
? Keras API 在合并期間被 “凍結 ”，使得它的功能落后于其他替代品；
? TF2的發布得太晚。最重要的是，第一版的bug很多，到現在仍缺乏一些基本功能；
? 谷歌把TF1的爛攤子搬到TF2，讓框架變得極其臃腫。出現故障時，冗長而含糊的錯誤信息和大量的堆棧痕跡，會讓人不知所措。
他強調自己一直使用原始Keras，對谷歌沒有偏見，也不是在抱怨TensorFlow。但Keras和TF2的故事讓他感到沮喪，因此將這篇文章作為Keras API的葬禮……
這篇略顯傷感的文章引起了網友關注，一起看看其他人怎么說。
這篇“送葬文”獲得了400+點贊，不過從評論來看，只有少數網友表示同感。
“和愚人節無關，這完全表達了我對Keras和TF2的看法。”
大多數網友并不認同作者的看法，認為tf.keras比之前更勝一籌。
“完全不同意這種觀點。
Keras API比以往任何時候都容易；擁有更多功能，可以輕松利用TF分布式培訓；只需幾行代碼，就可以在數百個GPU上訓練一個巨大的模型。如果是開發簡單的模型，Keras比過去更簡單，功能更強大。
雖然合并過程的確有點混亂……”
不少網友站在TF用戶的角度，認為集成Keras是TF2的一大亮點。
“TF允許創建生產管道，采用多種策略進行分布式培訓，而Keras只有能在多個GPU上訓練模型這一個不錯的功能……
對我這樣的TF用戶而言，集成Keras是件非常好的事。”
“我沒看到Keras消失，谷歌怎么會殺死它呢？”
“我從2016年一直使用它，現在雖然存在問題，但是比直接用TF更好”
此貼一出，網友們必然要將各家框架比較一番。
雖然TF2.0將重心放在了簡單性和易用性上，但在大多數人看來，PyTorch仍然更勝一籌：
“我們有更靈敏的PyTorch，有什么理由去用TensorFlow？”
“我認為Keras會被PyTorch取代。過去使用Keras和TensorFlow的大多數人以及一些用PyTorch的人，都正在轉向JAX，它非常實用且快速。”
JAX由谷歌開發，其前身是Autograd（通過numpy和本機python代碼進行梯度計算的庫），作為TF的簡化庫。
網友評價JAX更像是TF和python的混合體，保證功能性的同時，仍然簡潔易用。程序員們還為它開發了Haiku代碼庫，使用戶能面向對象開發。
有人表示：“實際上，比Keras消失更糟的是，TF2殺死了TensorFlow。”
“TensorFlow從一開始就是一團糟，作為可微編程的易用工具，設計問題阻礙了其靈活性，主要是靜態計算圖。PyTorch的動態計算圖效果更好，因此TF2試圖趕超，但為時已晚。
JAX真的很不錯，應該是未來的發展趨勢。”
PyTorch帶來的危機尚在，如今谷歌又大力開發JAX。也許在未來某天，JAX會成為谷歌的主要神經網絡庫。
此番境地，Keras未來真的會消失嗎？
reddit鏈接：
https://www.reddit.com/r/MachineLearning/comments/mhrpbm/d_Keras_killed_by_google/
— 完 —
量子位 QbitAI · 頭條號簽約
關注我們，第一時間獲知前沿科技動態
所以在過去的幾個月里，我一直花費大量時間與TensorFlow和Keras（在Keras下使用TensorFlow）合作，而且我一直在討論何時應該使用哪個工具集。
對于那些還沒有使用Keras的人來說，它是一個Python庫，專為簡單的神經網絡組裝而設計，帶有大量預先打包的網絡類型，從二維和三維風格的卷積網絡到長期 - 和短期網絡，更普遍的經常性網絡。使用Keras構建網絡是直截了當的 - 雖然確切地確定要構建的網絡不是。 Keras在其API設計中使用的語義非常面向層，使得網絡組裝相對直觀。
另一方面，TensorFlow可以說更強大 - 但并沒有所有預先打包的網絡。它也沒有包含Keras所做的許多數據集或操作實用程序。但是，它確實可以構建任意復雜的神經架構。
請記住：Keras非常注重層次。并非所有網絡都使用嚴格的分層。如果我們對某些元素跳過某個給定層以便在后面的層中使用的設計感興趣，那么在Keras中實現它會變得有點復雜。在TensorFlow中，您可以更好地控制網絡，這種實現更容易實現。如果您正在使用已知的網絡設計并以新的方式組合它們，或將它們應用于新數據，那么Keras就無法被擊敗。但如果您正在設計新型網絡，TensorFlow似乎是最佳選擇。
但事實上，一旦你實現了新的網絡架構，能夠重用該架構真的可以讓你的生活更輕松。實際上，您可以實現將數據傳遞到更高層的自定義圖層，或者執行更復雜的事務。
那么，你最好的選擇？兩者兼用。在實施新數據時使用Keras，在實施新模型時使用TensorFlow。完成TensorFlow模型后，移植到Keras并添加到您的個人庫（甚至更好的Keras項目）。這樣，您可以專注于構建這些類型系統時需要處理的其他事項：格式化輸入數據，評估結果，調整超參數，這類事情。這種方法也適用于Theano，以及您喜歡的任何其他深度學習框架。
這就是我所做的事情：我使用TensorFlow進行原型設計，然后使用Keras和Keras原語構建最終模型以實現可移植性。這樣，我得到了兩全其美。這樣做，你也會這樣做。
AIY Project 新產品： AIY Edeg TPU Dev Board 及 AIY Edge TPU Accelerator
在2017 年上半年，谷歌宣布了一個新的開源計劃--AIY Projects（AIY計劃），其目標是讓每個Maker（創客）都能DIY自己的 AI 人工智能產品，讓更多人能學習、探索并體驗人工智能。AIY 全稱是 Artificial Intelligence Yourself，顧名思義就是利用 AI 來進行的 DIY 功能套件。借助 AIY 項目，創客可以利用人工智能來實現更像人與人交流的人機交互。谷歌目前為 AIY Projects 推出了兩款硬件產品--AIY Voice Kit 和 AIY Vision Kit。
AIY Voice Kit（語音套件） 作為一款語音開發工具，可以連接云服務，如 Google 的 Assistant SDK 或者 Cloud Speech API。用戶可在此基礎上創建虛擬語音助手、為自己的項目添加語音交互功能。
AIY Vision Kit（視覺套件）是一套簡單的計算機視覺系統，可運行 3 種基于 TensorFlow 的類神經網路模型應用程序。Vision Kit 谷歌首個在設備上提供神經網絡加速的項目，能在不連接到云的情況下提供計算機視覺支持，也就說，用戶可以離線使用。
這次 AIY 計劃推出兩款新品，首先是 Edge TPU 。Edge TPU 是谷歌專用的 ASIC 芯片，專為在 Edge 運行 TensorFlow Lite ML 模型而設計, 用來處理 AI 預測部分。它的特點是比訓練模型的計算強度要小。而且 Edge TPU 還可以自己運行計算，不需要與多臺強大計算機相連，因此應用程序可以更快、更可靠地工作。它們可以在傳感器或網關設備中與標準芯片或微控制器共同處理 AI 工作。