医疗AI公司绕不开的选择难题:开源框架与专用芯片

 人工智能的未来     |      2020-05-15 16:07

就像程序员讨论“什么才是世界上最好的语言?”这一终极命题一样。在医疗AI领域,围绕芯片和AI开源框架的讨论也一直热度不减。

《后浪》视频一夜刷屏。

其实在AI时代,芯片和开源框架也有诸多不断赶超“前浪”的搅局者和颠覆者。

为了抢占市场、营造生态,科技巨头也都推出了自己的开源深度学习框架,如Google的TensorFlow、Amazon的MXNet、Facebook的Pytorch和Microsoft的CNTK等。

而在国内,也有百度飞奖、旷视MegEngine等框架进入越来越多开发者的视野。

但这个行业无时不刻都在洗牌中。

有开发者向表示,大名鼎鼎的Caffe因其灵活性等相对较差,导致用户逐年流失。虽然Caffe2在一定程度上进行了改善,但是已经错过了重要的框架发展窗口期。

新势力也逐渐崛起。

今年4月底,英伟达也与伦敦国王学院共同宣布了Project MONAI的开源alpha版本。MONAI是AI Medical Open Network的缩写。这个框架针对医疗保健研究人员的需求进行了优化,并且可以与PyTorch和Ignite等深度学习框架一起运行。

这个框架推出之时,国内就有学者评价到,“为医学影像研究者量身打造,是真正的良心之作。”

当然,除了开源框架,AI芯片也一直都是行业巨头酣战的领域,英特尔、英伟达以及众多AI专用芯片公司的医疗AI相关产品层出不穷。

作为开源框架和芯片的“首席体验官”,算法工程师们如何看待芯片、开源框架等领域的诸多选择,我们采访了四家主流医疗AI公司的技术人员。

:你们会选择哪种深度学习开源框架?Pytorch还是Caffe、TensorFlow?各家的优缺点都有哪些?

柏视医疗董事长陆遥:快速验证模型效果使用Pytorch,工业化部署使用TensorFlow。

TensorFlow: TensorFlow提供全面的服务,无论是Python,C++,JAVA,Go,甚至是JavaScript,Julia,C#;TensorFlow良好的文档和社区支持,大大降低了学习成本;提供直观的可视化计算图;模型能够快速的部署在各种硬件机器上,从高性能的计算机到移动设备,再到更小的更轻量的智能终端。但构建TensorFlow深度学习框架需要更复杂的代码,还要重复地多次构建静态图。不过到2.0以后,tensorflow将keras融合进来,很多操作都简化了。

Pytorch:Pytorch的风格和python很像,使用的是动态图,搭建模型比较快,方便调试,能够很快验证方法的有效性,新手上手快,而且库足够简单,跟NumPy、SciPy等可以无缝连接;设计简单,动态地设计网络,而无需定义静态网络图,非常灵活。但pytorch在生产环境部署还不成熟。


  • 共4页:
  • 上一页
  • 1
  • 2
  • 3
  • 4
  • 下一页