Deep learning flax（谷歌）和dm俳句（deepmind）的主要区别是什么？

和之间的主要区别是什么

根据他们的描述：

• Flax，一个用于JAX的神经网络库
• 俳句，受十四行诗启发的JAX神经网络库

问题：

我应该选择哪一个基于jax的库来实现，比方说模型（由CNN层+LSTM层+FC组成）和ctc损失

---

UPD

发现与dm haiku开发者的差异：

Flax包含了更多的电池，并配备了优化器、混合精度和一些训练循环（我被告知这些都是解耦的，您可以使用任意数量的电池）。俳句旨在解决NN模块和状态管理，它将问题的其他部分留给其他库（例如，优化optax）

俳句被设计成Sonnet（TF NN库）到JAX的一个端口。因此，如果（像DeepMind一样）您有大量十四行诗+TF代码，您可能希望在JAX中使用这些代码，并且希望尽可能容易地迁移这些代码，那么俳句是一个更好的选择

我认为，否则，这取决于个人偏好。在字母表中，每一个图书馆都有100名研究人员在使用，所以我不认为你会走错任何一条路。在DeepMind，我们对俳句进行了标准化，因为它对我们来说是有意义的。我建议看一下这两个库提供的示例代码，看看哪一个与您对结构化实验的偏好相匹配。我认为，如果您将来改变主意，您会发现将代码从一个库移动到另一个库并不复杂

---

---

原始问题仍然相关。

我最近遇到了同样的问题，我喜欢俳句，因为我认为它们的实现（见VS）更接近原始JAX精神（即链接

init

和

predict

函数，并在Pytrees中跟踪参数）这让我更容易修改东西

---

但是，如果你不想深入修改内容，最好的选择是在CNNs+LSTM上找到一篇带有亚麻/俳句的好博客文章，并坚持下去。我的总体观点是，即使我更喜欢用模块化的方式构建俳句（+Optax+Rlax+Chex+…），这两个库还是非常接近的。

谢谢你的回答。您是否同意dm haiku的语法更接近tensorflow，但flax与pytorch类似的说法？我认为JAX/flax/haiku比tensorflow/Keras更容易。我说不出pytorch的事，但无论如何我也不会把它比作亚麻。对我来说，第一个选择是TensorFlow、PyTorch或JAX，然后，如果你选择JAX，第二个选择是Flax/Trax/Haiku/。。。（或Keras/Theano…如果您选择TensorFlow）。不过，这可能是一种过时的观点！