医疗AI公司躲不过的选择难题：开源框架与专用芯片

《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。

有开发者向雷锋网表示，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。

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。

Caffe：Caffe 是一个优先考虑表达、速度和模块化来设计的框架。支持 C、C++、Python等接口以及命令行接口。但是，Caffe 不支持精细粒度网络层，给定体系结构，对循环网络和语言建模的总体支持相当差，必须用低级语言建立复杂的层类型，使用门槛很高。虽然开源比Pytorch和Tensorflow要早一点，早期的很多机器视觉的算法是基于Caffe框架，但是Caffe社区比较前两个框架要小很多，更新迭代的也比较慢。

（编辑：核心网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!