2015-2016的機(jī)器學(xué)習(xí)平臺開源大潮中，美國是當(dāng)之無愧的引領(lǐng)者：無論是谷歌、亞馬遜、微軟、IBM等互聯(lián)網(wǎng)巨頭，還是美國各大科研院所，為開源世界貢獻(xiàn)了品類繁多的機(jī)器學(xué)習(xí)工具。這其中不乏華人的身影，比如開發(fā)出Caffe的賈楊清。

但在大陸這邊，無論是BAT還是學(xué)界，在開源機(jī)器學(xué)習(xí)項目上始終慢了一拍，令人十分遺憾。這與我國世界最大AI研究者社區(qū)、占據(jù)AI科研領(lǐng)域半壁江山的江湖地位*頗為不符。讓人欣喜的是，2016下半年，百度和騰訊先后發(fā)布了它們的開源平臺戰(zhàn)略。雖然姍姍來遲，但作為下半場入場的選手，它們的開源平臺各自有什么意義？本文中，作為機(jī)器學(xué)習(xí)開源項目盤點(diǎn)的第三彈，我們將與你一起看看包括百度騰訊平臺在內(nèi)的國內(nèi)四大開源項目。

注：據(jù)創(chuàng)新工場人工智能工程院王詠剛副院長統(tǒng)計，我國AI發(fā)文數(shù)與引用文章數(shù)居世界第一，占世界總數(shù)一半以上。

1. 百度：希望獲得開發(fā)者青睞的 “PaddlePaddle”

2016年9月1日的百度世界大會上，百度首席科學(xué)家吳恩達(dá)宣布，該公司開發(fā)的異構(gòu)分布式深度學(xué)習(xí)系統(tǒng)PaddlePaddle將對外開放。這標(biāo)志著國內(nèi)第一個機(jī)器學(xué)習(xí)開源平臺的誕生。

其實(shí)，PaddlePaddle 的開發(fā)與應(yīng)用已經(jīng)有段時日：它源自于2013年百度深度學(xué)習(xí)實(shí)驗(yàn)室創(chuàng)建的 “Paddle”。當(dāng)時的深度學(xué)習(xí)框架大多只支持單GPU 運(yùn)算，對于百度這樣需要對大規(guī)模數(shù)據(jù)進(jìn)行處理的機(jī)構(gòu)，這顯然遠(yuǎn)遠(yuǎn)不夠，極大拖慢了研究速度。百度急需一種能夠支持多GPU、多臺機(jī)器并行計算的深度學(xué)習(xí)平臺。而這就導(dǎo)致了 Paddle 的誕生。自2013年以來，Paddle 一直被百度內(nèi)部的研發(fā)工程師們所使用。

而 Paddle 的核心創(chuàng)始人，當(dāng)年的百度深度學(xué)習(xí)實(shí)驗(yàn)室研究員徐偉，現(xiàn)在已是 PaddlePaddle 項目的負(fù)責(zé)人。

徐偉

對了，從 “Paddle” 到 “PaddlePaddle” 的命名還有一個小插曲：Paddle 是“Parallel Distributed Deep Learning”的縮寫，意為“并行分布式深度學(xué)習(xí)”。而去年9月發(fā)布時，吳恩達(dá)認(rèn)為 “PaddlePaddle” （英語意為劃船——“讓我們蕩起雙~昂~槳，小船兒推開波浪。。。”）其實(shí)更郎朗上口、更好記，于是就有了這么個可愛的名字。

那么，PaddlePaddle 有什么特點(diǎn)？

支持多種深度學(xué)習(xí)模型 DNN（深度神經(jīng)網(wǎng)絡(luò)）、CNN（卷積神經(jīng)網(wǎng)絡(luò)）、 RNN（遞歸神經(jīng)網(wǎng)絡(luò)），以及 NTM 這樣的復(fù)雜記憶模型。

基于 Spark，與它的整合程度很高。

支持 Python 和 C++ 語言。

支持分布式計算。作為它的設(shè)計初衷，這使得 PaddlePaddle 能在多 GPU，多臺機(jī)器上進(jìn)行并行計算。

相比現(xiàn)有深度學(xué)習(xí)框架，PaddlePaddle 對開發(fā)者來說有什么優(yōu)勢？

首先，是易用性。

相比偏底層的谷歌 TensorFlow，PaddlePaddle 的特點(diǎn)非常明顯：它能讓開發(fā)者聚焦于構(gòu)建深度學(xué)習(xí)模型的高層部分。項目負(fù)責(zé)人徐偉介紹：

“在PaddlePaddle的幫助下，深度學(xué)習(xí)模型的設(shè)計如同編寫偽代碼一樣容易，設(shè)計師只需關(guān)注模型的高層結(jié)構(gòu)，而無需擔(dān)心任何瑣碎的底層問題。未來，程序員可以快速應(yīng)用深度學(xué)習(xí)模型來解決醫(yī)療、金融等實(shí)際問題，讓人工智能發(fā)揮出最大作用。”

拋開底層編碼，使得 TensorFlow 里需要數(shù)行代碼來實(shí)現(xiàn)的功能，可能在 PaddlePaddle 里只需要一兩行。徐偉表示，用 PaddlePaddle 編寫的機(jī)器翻譯程序只需要“其他”深度學(xué)習(xí)工具四分之一的代碼。這顯然考慮到該領(lǐng)域廣大的初入門新手，為他們降低開發(fā)機(jī)器學(xué)習(xí)模型的門檻。這帶來的直接好處是，開發(fā)者使用 PaddlePaddle 更容易上手。

其次，是更快的速度。

如上所說，PaddlePaddle 上的代碼更簡潔，用它來開發(fā)模型顯然能為開發(fā)者省去一些時間。這使得 PaddlePaddle 很適合于工業(yè)應(yīng)用，尤其是需要快速開發(fā)的場景。

另外，自誕生之日起，它就專注于充分利用 GPU 集群的性能，為分布式環(huán)境的并行計算進(jìn)行加速。這使得在 PebblePebble 上，用大規(guī)模數(shù)據(jù)進(jìn)行 AI 訓(xùn)練和推理可能要比 TensorFlow 這樣的平臺要快很多。

說到這里，業(yè)內(nèi)對 PaddlePaddle 怎么看？

首先不得不提的是 Caffe，許多資深開發(fā)者認(rèn)為 PaddlePaddle 的設(shè)計理念與 Caffe 十分相似，懷疑是百度對標(biāo) Caffe 開發(fā)出的替代品。這有點(diǎn)類似于谷歌 TensorFlow 與 Thano 之間的替代關(guān)系。

知乎上，Caffe 的創(chuàng)始人賈楊清對 PaddlePaddle 評價道：

“很高質(zhì)量的GPU代碼”

“非常好的RNN設(shè)計”

“設(shè)計很干凈，沒有太多的 abstraction，這一點(diǎn)比 TensorFlow 好很多”

“設(shè)計思路有點(diǎn)老”

“整體的設(shè)計感覺和 Caffe ‘心有靈犀’，同時解決了Caffe早期設(shè)計當(dāng)中的一些問題”

最后，賈表示 PaddlePaddle 的整體架構(gòu)功底很深，是下了功夫的。這方面，倒是贏得了開發(fā)者的普遍認(rèn)同。

總結(jié)起來，業(yè)內(nèi)對 PaddlePaddle 的總體評價是“設(shè)計干凈、簡潔，穩(wěn)定，速度較快，顯存占用較小”。

但是，具有這些優(yōu)點(diǎn)，不保證 PaddlePaddle 就一定能在群雄割據(jù)的機(jī)器學(xué)習(xí)開源世界占有一席之地。有國外開發(fā)者表示， PaddlePaddle 的最大優(yōu)點(diǎn)是快。但是，比 TensorFlow 快的開源框架其實(shí)有很多：比如 MXNet，Nervana System 的 Neon，以及三星的 Veles，它們也都對分布式計算都很好的支持，但都不如 TensorFlow 普及程度高。這其中有 TensorFlow 龐大用戶基礎(chǔ)的原因，也得益于谷歌自家 AI 系統(tǒng)的加持。

百度的 AI 產(chǎn)品能夠?qū)ζ占?PaddlePaddle 產(chǎn)生多大的幫助，尚需觀察。我們獲知，它已經(jīng)應(yīng)用于百度旗下的多項業(yè)務(wù)。百度表示：

“PaddlePaddle 已在百度30多項主要產(chǎn)品和服務(wù)之中發(fā)揮著巨大的作用，如外賣的預(yù)估出餐時間、預(yù)判網(wǎng)盤故障時間點(diǎn)、精準(zhǔn)推薦用戶所需信息、海量圖像識別分類、字符識別（OCR）、病毒和垃圾信息檢測、機(jī)器翻譯和自動駕駛等領(lǐng)域。”

最后，我們來看看對于自家推出的 PaddlePaddle，李彥宏怎么說：

“經(jīng)過了五六年的積累，PaddlePaddle實(shí)際上是百度深度學(xué)習(xí)算法的引擎，把源代碼開放出來，讓同學(xué)們、讓社會上所有的年輕人能夠?qū)W習(xí)，在它的基礎(chǔ)上進(jìn)行改進(jìn)，我相信他們會發(fā)揮出來他們的創(chuàng)造力，去做到很多我們連想都沒有想過的東西。”

2. 騰訊：面向企業(yè)的 “Angel”

2016，鵝廠在 AI 領(lǐng)域展開一系列大動作：

9 月，成立 AI 實(shí)驗(yàn)室。

11 月，獲得 Sort Benchmark 大賽的冠軍

12月18日，在騰訊大數(shù)據(jù)技術(shù)峰會暨 KDD China 技術(shù)峰會上對外公開 “Angel” 的存在，并透漏它就是拿下 Sort Benchmark 冠軍背后的天使。

在2017 年一季度，開放 Angel 源代碼。

Angel 將成為 PaddlePaddle 之后、BAT 發(fā)布的第二個重磅開源平臺。那么，它到底是什么？

簡單來說，Angel 是面向機(jī)器學(xué)習(xí)的分布式計算框架，由鵝廠與香港科技大學(xué)、北京大學(xué)聯(lián)合研發(fā)。騰訊表示，它為企業(yè)級大規(guī)模機(jī)器學(xué)習(xí)任務(wù)提供解決方案，可與 Caffe、TensorFlow 和 Torch 等業(yè)界主流深度學(xué)習(xí)框架很好地兼容。但就我們所知，它本身并不算是機(jī)器學(xué)習(xí)框架，而側(cè)重于數(shù)據(jù)運(yùn)算。

上個月18日的發(fā)布會上，騰訊首席數(shù)據(jù)專家蔣杰表示：

“面對騰訊快速增長的數(shù)據(jù)挖掘需求，我們希望開發(fā)一個面向機(jī)器學(xué)習(xí)的、能應(yīng)對超大規(guī)模數(shù)據(jù)集的、高性能的計算框架，并且它要對用戶足夠友好，具有很低的使用門檻，就這樣，Angel 平臺應(yīng)運(yùn)而生。”

這其中的關(guān)鍵詞，一個是“大”規(guī)模數(shù)據(jù)，另一個是“低”使用門檻。

“大”方面，企鵝表示 Angel 支持十億級別維度的模型訓(xùn)練：

“Angel 采用多種業(yè)界最新技術(shù)和騰訊自主研發(fā)技術(shù)，包括 SSP（Stale synchronous Parallel）、異步分布式SGD、多線程參數(shù)共享模式HogWild、網(wǎng)絡(luò)帶寬流量調(diào)度算法、計算和網(wǎng)絡(luò)請求流水化、參數(shù)更新索引和訓(xùn)練數(shù)據(jù)預(yù)處理方案等。這些技術(shù)使 Angel 性能大幅提高，達(dá)到 Spark 的數(shù)倍到數(shù)十倍，能在千萬到十億級的特征維度條件下運(yùn)行。”

“低”方面，Angel 并沒有采用機(jī)器學(xué)習(xí)領(lǐng)域標(biāo)配的 Python，而使用企業(yè)界程序猿最熟悉的 Java，以及 Scala 。企鵝聲明：“在系統(tǒng)易用性上，Angel 提供豐富的機(jī)器學(xué)習(xí)算法庫及高度抽象的編程接口、數(shù)據(jù)計算和模型劃分的自動方案及參數(shù)自適應(yīng)配置。同時，用戶能像使用 MR、Spark 一樣在 Angel 上編程，我們還建設(shè)了拖拽式的一體化的開發(fā)運(yùn)營門戶，屏蔽底層系統(tǒng)細(xì)節(jié)，降低用戶使用門檻。”

總的來講，Angel 的定位是對標(biāo) Spark 。蔣杰宣稱，它融合了 Spark 和 Petuum 的優(yōu)點(diǎn)。“以前Spark能跑的，現(xiàn)在Angel快幾十倍；以前Spark跑不了的，Angel也能輕松跑出來。”

其實(shí)，Angel 已經(jīng)是鵝廠的第三代大數(shù)據(jù)計算平臺。

第一代是基于 Hadoop 的深度定制版本“TDW”，它的重點(diǎn)是“規(guī)模化”（擴(kuò)展集群規(guī)模）。

第二代集成了Spark 和 Storm，重點(diǎn)是提高速度，“實(shí)時化”。

第三代自研平臺 Angel，能處理超大規(guī)模數(shù)據(jù)，重點(diǎn)是“智能化”，專門對機(jī)器學(xué)習(xí)進(jìn)行了優(yōu)化。

這三代平臺的演進(jìn)，從使用第三方開源平臺過渡到自主研發(fā)，涵蓋了從數(shù)據(jù)分析到數(shù)據(jù)挖掘、從數(shù)據(jù)并行到模型并行的發(fā)展。現(xiàn)在 Angel 已支持 GPU 運(yùn)算，以及文本、語音、圖像等非結(jié)構(gòu)化數(shù)據(jù)。自今年初在鵝廠內(nèi)部上線以來，Angel 已應(yīng)用于騰訊視頻、騰訊社交廣告及用戶畫像挖掘等精準(zhǔn)推薦業(yè)務(wù)。另外，國內(nèi)互聯(lián)網(wǎng)行業(yè)開口閉口就要打造“平臺”、“生態(tài)”的風(fēng)氣，鵝廠也完美繼承：“Angel 不僅僅是一個只做并行計算的平臺，更是一個生態(tài)”——這種話雖然不耐聽，但騰訊的大數(shù)據(jù)野心可見一斑。

12 月18 日晚，馬化騰在微信朋友圈寫道：“AI與大數(shù)據(jù)將成為未來各領(lǐng)域的標(biāo)配，期待更多業(yè)界同行一起開源攜手互助。”

但對于機(jī)器學(xué)習(xí)社區(qū)，Angel 開源的意義是否如同鵝廠宣稱的那樣大？

對此，機(jī)器學(xué)習(xí)界的“網(wǎng)紅”、微軟研究員彭河森說道：

“對于小一點(diǎn)的公司和組織，Spark 甚至MySQL 都已經(jīng)夠了（為了政治正確我提一下 PostgresQL）；而對于大一點(diǎn)真的用得上Angel的企業(yè)，如阿里巴巴等，早就自主開發(fā)了自己的大數(shù)據(jù)處理平臺。”

因此，他總結(jié) Angel 的發(fā)布是一個“很尷尬的時間和市場定位”。

彭河森

與百度 PaddlePaddle 相比，Angel 有一個很大的不同：它的服務(wù)對象是有大數(shù)據(jù)處理需求的企業(yè)，而不是個人開發(fā)者。可惜的是，由于 Angel 尚未正式開源，大數(shù)據(jù)、機(jī)器學(xué)習(xí)同行們無法對其進(jìn)行一番評頭論足。目前所有的信息都來自于鵝廠的官方宣傳。關(guān)于 Angel 開放源代碼后能在業(yè)界引發(fā)多大反響，請關(guān)注后續(xù)報道。

最后，我們來看看蔣杰對 Angel 開源意義的官方總結(jié)：

“機(jī)器學(xué)習(xí)作為人工智能的一個重要類別，正處于發(fā)展初期，開源Angel，就是開放騰訊18年來的海量大數(shù)據(jù)處理經(jīng)驗(yàn)和先進(jìn)技術(shù)。我們連接一切連接的資源，激發(fā)更多創(chuàng)意，讓這個好平臺逐步轉(zhuǎn)化成有價值的生態(tài)系統(tǒng)，讓企業(yè)運(yùn)營更有效、產(chǎn)品更智能、用戶體驗(yàn)更好。”

3. 阿里巴巴： 猶抱琵牌半遮面的 DTPAI

但凡說到平臺，就不能不提阿里。

與百度比起來，阿里的 AI 戰(zhàn)略布局看上去更“務(wù)實(shí)”：主要是依托阿里云計算、貼近淘寶生態(tài)圈的一系列 AI 工具與服務(wù)，比如阿里小蜜。而基礎(chǔ)研究起步較晚，相對百度和鵝廠也更低調(diào)。 2016 年阿里 AI 戰(zhàn)略的大事件是 8 月 9 日的云棲大會，馬云親自站臺發(fā)布了人工智能 ET，而它的前身是阿里“小Ai ”。綜合目前信息，阿里想要把 ET 打造成一個多用途 AI 平臺：應(yīng)用于語音、圖像識別，城市計算（交通），企業(yè)云計算，“新制造”，醫(yī)療健康等等領(lǐng)域，讓人不禁聯(lián)想起 IBM Watson。用阿里的話來說，ET 將成為“全局智能”。

但是，在開源項目方面，阿里有什么布局（馬云最喜歡用這樣的詞）？

答案有驚喜也有失望。

好消息是，阿里早在 2015 年就宣布了數(shù)據(jù)挖據(jù)平臺 DTPAI （全稱：Data technology，the Platform of AI，即數(shù)據(jù)技術(shù)—人工智能平臺）。

壞消息是，那之后就沒動靜了。

當(dāng)時，也就是 2015 年的八月，阿里宣布將為阿里云客戶提供付費(fèi)數(shù)據(jù)挖掘服務(wù) DTPAI。當(dāng)然，對它的發(fā)布免不了大談特談一通“生態(tài)”、“平臺”——宣稱 DTPAI 是“中國第一個人工智能平臺”。格調(diào)定得相當(dāng)高。

它有什么特點(diǎn)？

首先， DTPAI 將集成阿里巴巴核心算法庫，包括特征工程、大規(guī)模機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等等。其次，與百度、騰訊一樣，阿里也很重視旗下產(chǎn)品的易用性。阿里 ODPS 和 iDST 產(chǎn)品經(jīng)理韋嘯表示，DTPAI 支持鼠標(biāo)拖拽的編程可視化，也支持模型可視化；并且廣泛與MapReduce、Spark、DMLC、R 等開源技術(shù)對接。

若僅僅如此，一個阿里云的付費(fèi)數(shù)據(jù)挖據(jù)工具還不會出現(xiàn)在這篇文章中。我們真正感興趣的是：阿里表示 DTPAI “未來會提供通用的深度學(xué)習(xí)框架，它的算法庫將在后期向社會開放”。

嗯，有關(guān) DTPAI 的信息到此為止。Seriously，2015 年之后它就再也沒消息了。阿里云是耍猴還是在憋大招？ 我們只有走著瞧。

4. 山世光：大陸學(xué)界碩果僅存的 SeetaFace

盤點(diǎn)了 BAT 的開源平臺規(guī)劃，再來看一個始于學(xué)界的項目。與國外 AI 學(xué)界百花齊放的現(xiàn)狀不同，大多數(shù)人從未聽說過始于國內(nèi)學(xué)界的機(jī)器學(xué)習(xí)開源項目，這方面幾乎是空白一片——說是“幾乎”，因?yàn)橛兄锌圃河嬎闼绞拦饫蠋煄ьI(lǐng)開發(fā)的人臉識別引擎 SeetaFace 。

山老師是我國 AI 界的學(xué)術(shù)大牛之一，2016 年下半年已經(jīng)下海創(chuàng)業(yè)，創(chuàng)業(yè)后不久就公開了 SeetaFace。山老師的研究團(tuán)隊表示，開源 SeetaFace 是因?yàn)椤霸擃I(lǐng)域迄今尚無一套包括所有技術(shù)模塊的、完全開源的基準(zhǔn)人臉識別系統(tǒng)”。而 SeetaFace 將供學(xué)界和工業(yè)界免費(fèi)使用，有望填補(bǔ)這一空白。

SeetaFace 基于 C++，不依賴于任何第三方的庫函數(shù)。作為一套全自動人臉識別系統(tǒng)，它集成了三個核心模塊，即：人臉檢測模塊（SeetaFace Detection）、面部特征點(diǎn)定位模塊（SeetaFace Alignment）以及人臉特征提取與比對模塊 （SeetaFace Identification）。

該系統(tǒng)用單個英特爾 i7 CPU 就可運(yùn)行，成功降低了人臉識別的硬件門檻。它的開源，有望幫助大量有人臉識別任務(wù)需求的公司與實(shí)驗(yàn)室，在它們的產(chǎn)品服務(wù)中接入 SeetaFace，大幅減少開發(fā)成本。