TensorLayer2.0：保有最多官方神经网络层的通用Python库

对于开发者而言，深度学习系统的复杂度在不断的增加。从搭建神经网络模型，到动态模型，再到复杂的训练流程和任务管理，这使得通过轻量级 工具 全面管理深度学习开发的需求也越发强大。TensorLayer 开源社区正是希望打造一个不隶属于任何企业的深度学习开发框架。

近日， TensorLayer人工智能开源社区发布了TensorLayer 框架的2.0版本 ，由即将加入北京大学前沿计算研究中心的董豪博士主持开发，以支持动态训练模式和动/静态神经网络模型切换，以及TensorFlow2.0。本次2.0的大更新主要贡献来自北京大学和帝国理工学院的核心团队，包括吴润迪（@ChrisWu1997）、张敬卿（@JingqingZ）、吴睿海（@warshallrho）、董豪（@zsdonghao）。 新的设计在支持动态训练模式的同时，大大简化了自定义神经网络的实现，利于协同扩展和维护。

深度学习开发缺乏透明、灵活和易定制的框架，同时公司主导开发的框架往往对支持最新的神经网络有滞后性，并对其他公司的工作有排斥性，不利于研究者使用。 这催生了独立开发不隶属于任何组织的深度学习开源框架 ，以分享最新的神经网络设计、数据处理工具、训练函数和代码样例等，支持开发日益复杂的深度神经网络。2016年，董豪在帝国理工读博期间在导师郭毅可院士的领导和支持下，在Github上开源了第一个版本的TensorLayer，并于2017年获得ACM MM最佳开源软件奖，目前已获得17万次下载，成为主流框架之一。TensorLayer提供了易用性、拓展性和兼容性并存的高层设计抽象，便于广大研究人员和工程师从事开发和前沿研究工作，大大拉近了工业界和学术界的距离。

Akara Supratak代表TensorLayer团队领奖

深度学习推动了计算机视觉、自然语言处理和多媒体等领域的发展，然而开发一个深度学习算法通常十分困难，因为它涉及到构建神经网络架构、训练流程、数据处理、以及生命周期管理等。 TensorLayer是一个通用型Python库，旨在帮助研究者和工程师高效地开发深度学习算法。 它为神经网络搭建、开发流程、以及生命周期管理提供了丰富的抽象方法，在提高效率的同时，还保留性能和可拓展性。TensorLayer开源三年来，已经在学术界和工业界得到了很好的验证，帮助国内外研究人员和产品工程师实现各类深度学习功能。

2.0版本主要在北京大学前沿计算研究中心的支持下完成。

TensorLayer由底层到上层可以分为三大模块：

1. 神经网络模块：层是神经网络的核心单元，TensorLayer提供了大量工业界和学术界需要的参考层实现（比如 CNN、RNN、BinaryNet等），提供类似Pytorch的“动态”声明方式，也提供类似Lasagne的堆叠式“静态”声明方法来建立模型，并支持动态图和静态图两种训练模式，以支持不同的开发需求。

2. 工作流模块：神经网络只是深度学习系统中的基础部分，为了支持整个深度学习开发流程，TensorLayer提供了大量数据处理和训练流程所需的工具。此外，为了管理整个深度学习开发，以支持项目的存储、比较、溯源等，TensorLayer提供了生命周期管理功能，包括模型、数据和训练流程的管理，以及支持任务分发以实现多任务并行执行，以加快训练（比如 超参数选取）和自动产品化部署。

3. 应用模块：为了促进产业界和学术界的交流，TensorLayer社区提供了大量应用和预训练模型，包括医疗图像分析、图像增强、人体姿态估计、文本生成、风格迁移、各类增强学习算法，等等。

董豪在国际研讨会上介绍 TensorLayer 的工作

此外，与 Keras 和 Pytorch 相比， TensorLayer 提高了神经网络模块的抽象化设计，同时实现了降低使用现有层和开发新层的工作量 ，既不需要开发者编写函数以计算层的输出尺寸（Keras需要），也不需要在使用层时输入上一层的输出尺寸（Pytorch需要）。这些设计大大方便了框架的拓展。更重要的是TensorLayer提供了整套端到端的工作流，包括数据预处理、训练、服务模块、数据库管理，以及任务自动发放和收集，这些都是开发者构建整个系统的关键。开发流程采用小步快跑的开发模式，能够快速地支持最新的神经网络，极大地方便了广大开发者的开发贡献。得利于众多一线科研人员的参与，截止目前为止，TensorLayer一直保持着最多的官方神经网络层。

TensorLayer的后台目前基于TensorFlow计算引擎和 MongoDB 数据库，但这些模块设计可以拓展到其他的计算引擎和数据库中。

TensorLayer开源社区

本次2.0更新值得注意的是来自北京大学信息科学技术学院的两位大三同学，吴润迪（16级图灵班）和吴睿海。他们在今年1月份加入开发团队，经过4个月的努力，在神经网络模块和工作流模块中做出了重大的贡献，成为了本次大更新的最核心成员。此外，TensorLayer重视国内社区发展，这次更新非常感谢国内社区的：李国、魏亚东、麦络、柳青林、罗一风等人的支持，也非常感谢电子工业出版社对知识传播的支持，编写《深度学习：一起玩转TensorLayer》一书。

TensorLayer 社区当前正处在一个主动发展的阶段，包括一个“框架开发团队”和一个“应用开发团队”。目前已经从开源社区接收到大量的贡献，贡献者来自帝国理工学院、北京大学、卡内基梅隆大学、斯坦福大学、清华大学、加州大学洛杉矶分校、西安交通大学、西安电子科技大学、爱丁堡大学、瑞典林雪平大学等高校的研究人员，以及谷歌、微软、阿里巴巴、腾讯、ReFULE4、360安全、彭博等公司的工程师。国内的社区交流以微信群和线下聚会为主。此外，TensorLayer社区和很多组织都有保持联系，如London PhD Network、Kubeflow、Clusterone等，社区几位主要成员拿到了OpenAI、Google Brain、Nvidia Research等公司的offer。

下一步做什么？

开源社区接下来计划增加更多的killer features，比如鉴于目前学界对3D视觉热度上升（如PointNet, PointCNN等工作），计划增加3D视觉所需的模块以更好地支持3D视觉任务和处理mesh、点云等3D数据，敬请期待。我们希望逐步减少对TensorFlow的依赖，开发更高效的数据流，并开发全套的最新计算机视觉、增强学习、自然语言处理等应用，以促进产业界和学术界的交流。

欢迎加入我们！

当前，我们还有一些例子急需针对2.0版本更新，如分布式训练、增强学习、姿态估计、风格转换、超分辨率复原、文本分析等等。 如果您感兴趣加入开发团队，请联系我们 tensorlayer@gmail.com （请注明希望加入“框架开发团队”还是“应用开发团队”）。

相关报道

[1] 机器之心：TensorLayer：控制深度学习开发复杂度

[2] ClusterOne -“Humans of AI”系列： TensorLayer and the Chinese Deep Learning Community

https://clusterone.com/blog/hao-dong