摘要：C++也能玩转深度学习了？没错，高性能C++深度学习库（DLL）已经发布了，本文作者为了满足自己的需求，开发了支持C++接口的深度学习库。作者特意用了两个小例子让你见识一下C++也能玩转深度学习，而且玩的比其他库还要6！
作为一个深度学习的老司机，你是不是以为只有Python才能够玩转深度学习？如果是这样的话，那么本文作者可能就要教你怎么“做人”了。毕竟大牛的世界我们不懂！
第一个版本C++的深度学习库（DLL）1.0发布了！DLL是一个关注速度和易用性的神经网络库。大约4年前，作者就开始编写这个库。为了获得博士学位，作者需要一个很好的库来训练和使用受限制的玻尔兹曼机器（RBMs），因为当时还没有很好的库来完成这项工作。所以我决定自己写一个库（大牛就是任性！）。它现在可以支持RBM和卷积RBM（CRBM）模型，也可以使用对比发散预先训练RBM（或深层信念网络（DBN））的堆栈，然后通过微型批量梯度下降或共轭梯度进行微调或用作特征提取器。近年来，该库已经可以处理人造神经网络（ANN）和卷积神经网络（CNN）。该网络还可以训练常规的自动编码器，还提供了几个高级层，如Dropout或批次规范化（BN），以及自适应学习率技术，如Adadelta和Adam。该库还集成了对几个数据集的支持：MNIST，CIFAR-10和ImageNet。
该库是使用C ++接口，它需要一个C ++ 14编译器。
在这篇文章中，我将介绍一些关于使用该库的例子，并提供有关库表现和项目路线图的一些信息。
小例子
我们来看看一个使用这个库的例子：
这是在MNIST数据集上训练和测试一个简单的三层全连接神经网络。
首先，在头文件中，你需要列出你正在使用的层，这里只有密集层；然后，你需要包括network.hpp这是每个网络的基本包括；最后一个头文件是数据集。
在main函数中，首先我们需要完整的加载MNIST数据集并传递两个选项。在这里，我们要设置批量大小，并指示每个样本应归一化为具有零均值和单位方差。
之后是最重要的一部分，网络的声明。在DLL中，网络是一种类（Type）。这个类有两个部分：网络层（一个dll::network_layers）和选项（一个可选的选项列表，在网络层后）。在上述代码中，我们有三层，第一层有500个隐藏单元，第二层有250个隐藏单元，最后一层有10个。每层可以采用可选的选项列表。第三层使用softmax激活函数而不是默认的S形函数。我们正在使用Nesterov Adam（NAdam）更新器，批量大小为100（必须与数据集批量大小相同），数据集在每个时期之前被混洗。
最后，我们简单地创建网络std::make_unique，然后在训练集上训练50次，最后在测试集上进行测试。
如果你编译并运行这个程序，你应该看到这样的：
首先显示网络和数据集信息，如代码中所设定的，然后用数据训练网络，按次数划分。最后，评估结果。在大约2分半左右的时间里，我们训练了一个能够将MNIST数字分类出错率为2.04％的神经网络，这已经不错的，但仍然可以改进。
几个关于如何编译的信息：你可以直接sudo make install_headers在计算机上安装dll库。然后，你可以使用以下方式简单地编译文件：
或者，如果将dll复制到本地dll目录中，这编译的时候需要指定include文件夹：
clang++ -std=c++14 -Idll/include -Idll/etl/lib/include -dll/Ietl/include/ -Idll/mnist/include/-Idll/cifar-10/include/file.cpp
有几个编译选项，以提高性能：
1. -DETL_PARALLEL：允许并行计算。
2. -DETL_VECTORIZE_FULL：启用算法的全矢量化。
3. -DETL_BLAS_MODE：让库知道一个BLAS库（例如MKL）。然后，你必须为你选择的BLAS系列添加包含选项和链接选项。
4. -DETL_CUBLAS_MODE：让库知道NVIDIA cublas在本机上可用。然后必须添加相应的选项（包括目录和链接库）。
5. -DETL_CUDNN_MODE：让库知道NVIDIA cudnn在本机上可用。然后必须添加相应的选项（包括目录和链接库）。
6. -DETL_EGBLAS_MODE：让库知道你在本机上安装了etl-gpu-blas。然后必须添加相应的选项（包括目录和链接库）。
如果你想要最佳的CPU性能，你应该使用前三个选项。如果你想要最好的GPU性能，你只需启动第三个。理想情况下，你可以启用所有选项，因此你将获得最佳性能，因为GPU尚未完全支持。
我们再次进行相同的实验，但是使用具有两个卷积层和两个池层的卷积神经网络：
与上一个例子相比，没有什么大的改变。网络现在以卷积层开始，随后是一个池层，然后有是卷积层和一个池层，最后是两个完全连接的层。另一个区别是我们将输入缩放为255，而不是归一化它们。最后，我们训练25次。
一旦编译并运行，输出应该是这样的：
这个网络性能比以前的网络好一点，在大约3分钟内达到1.52％的错误率。
如果你有兴趣，可以在Github信息库中找到更多的例子。
超高性能（重点）
我一直在做该库性能提升方面的工作。为了看看该库和其他流行的框架的差别，我决定比较DLL与TensorFlow，Keras，Torch和Caffe的性能。我也尝试过DeepLearning4J，但是我认为它的表现是相当差的，所以我放弃了。
我做的第一个实验是在MNIST数据集上训练一个三层的神经网络：
在CPU上，DLL是训练这个网络最快的框架，比TensorFlow和Keras快35％，比Torch快4倍，比Caffe快5倍。在GPU上，Caffe是最快的框架，其次是Keras和TensorFlow和DLL。
让我们来看看框架是如何与这些流行框架在一个小的CNN任务：
在CPU上，DLL是最快的框架，并且优势非常大，比TensorFlow和Keras快四倍，比Torch和Caffe快五倍。在GPU上，它与Keras和TensorFlow相当，比Caffe快3倍。
下一个测试是用较大的CNN在CIFAR-10上完成的：
在这个更大的CNN上，差异不如以前那么令人印象深刻，但是，DLL仍然是CPU中最快的框架。它比TensorFlow，Keras和Torch还要快两倍，比Caffe快三倍。在GPU上，DLL比Keras和TensorFlow稍快，比Caffe快2.7倍，比Torch快5倍。
最后一次测试是在Imagenet上完成的，具有12层CNN。这一次，性能体现主要是在必要的时间训练了128个图像。
再次，DLL比CPU和GPU上的所有其他框架更快。DLL和TensorFlow和Keras之间的巨大差异主要是由于从Python代码读取Imagenet图像的性能差，而代码在DLL中进行了优化。
总的来说，在所有测试实验中，DLL总是CPU上最快的框架。在GPU上，除了一个非常小的全连接网络，它也是比TensorFlow和Keras快。
如果你有兴趣，可以查找这些实验的代码。
未来在哪里？
我不知道下一个版本的DLL将包含什么，但我知道我将要开发的方向。我想使用DLL来分类文本。第一次打算，我计划增加对文本嵌入学习的支持，并能够在嵌入之上使用CNN，希望这不会花太长时间。第二次打算，我希望将支持循环神经网络（RNNs）纳，以及增加对LSTM和GRU单元的支持，这可能会需要一些时间。
虽然该框架性能表现已经相当不错了，但还有一些事情要改善。现在有些操作在GPU上实现时并不高效，例如Batch Normalization and Dropout。我想保证所有的操作都可以在GPU上进行有效的计算。还有一些在CPU上效率不高的情况，例如，批处理标准化目前很差。一些SGD优化器，如Nadam也很慢。
下载DLL
你可以在Github上下载DLL。如果你只对1.0版本感兴趣，可以查看版本页面或克隆标签1.0。有几个分支：
1.master是前进的发展分支，可能是不稳定的。
2.stable分支总是指向最后一个标签，这里没有开发。
对于文档，这是关于这个框架迄今为止最好的文档是可用的示例。你还可以查看使用库的每个功能的测试源。
如果你对此图书馆有任何意见或任何问题，请随时给予评论。如果你在使用此库时遇到问题，或者如果你想对该库有所贡献，请及时与我联系我期待你的到来。
本文由北邮@爱可可-爱生活老师推荐，阿里云云栖社区组织翻译。
文章原标题：《deep-learning-library-1.0-fast-neural-network-library》
作者：Baptiste Wicht
现年28岁。我是弗里堡大学应用科学大学计算机科学博士生，主要从事机器学习。目前，主要从事开发C ++高性能应用程序。
Twitter：@wichtounet
LinkedIn：我的LinkedIn个人资料
译者：袁虎，审校：
网友评论