常用深度学习框架简介

　　

由于实验室项目需要，接下来的一段甚至更长的时间，需要将深度学习相关的东西应用到项目当中去。需要用到深度学习相关的知识，自然是选择一款适合自己的深度学习框架是再好不过的。现在将最受欢迎的几款深度学习框架简介列在下面以备后续参考：

---

1. TensorFlow（star: 75993）

　TensorFlow是一个使用数据流图进行数值计算的开源软件库。 图节点表示数学运算，而图边表示在它们之间流动的多维数据阵列（张量）。 这种灵活的架构允许您在不重写代码的情况下将计算部署到桌面，服务器或移动设备中的一个或多个CPU或GPU。 TensorFlow还包括数据可视化工具包TensorBoard。
　TensorFlow 最初由Google大脑小组（隶属于Google机器智能研究机构）的研究员和工程师们开发出来，用于机器学习和深度神经网络方面的研究，但这个系统的通用性使其也可广泛用于其他计算领域。

　TensorFlow在很多地方可以应用，如语音识别，自然语言理解，计算机视觉，广告等等。

　TensorFlow官网：https://www.tensorflow.org/
　TensorFlow中文社区：http://www.tensorfly.cn/
　GitHub站点：https://github.com/tensorflow/tensorflow

---

2. keras（star : 21262）

　Keras是一个高层神经网络API，Keras由纯Python编写而成并基Tensorflow、Theano以及CNTK后端。Keras 为支持快速实验而生，能够把你的idea迅速转换为结果，如果你有如下需求，请选择Keras：
　

• 简易和快速的原型设计（keras具有高度模块化，极简，和可扩充特性）
　
• 支持CNN和RNN，或二者的结合
　
• 无缝CPU和GPU切换

　keras官方文档：https://keras.io/
　keras中文文档：http://keras-cn.readthedocs.io/en/latest/
　GitHub站点：https://github.com/fchollet/keras

---

3. Caffe（star：21064）

　Caffe是一个清晰，可读性高，快速的深度学习框架。 它由伯克利人工智能研究（BAIR）/伯克利视觉和学习中心（BVLC）和社区贡献者开发。主要作者是贾扬清，加州大学伯克利的ph.D，现就职于Facebook。
　Caffe是纯粹的C++/CUDA架构，支持命令行、Python和MATLAB接口；可以在CPU和GPU直接无缝切换

　Caffe官网：http://caffe.berkeleyvision.org/
　Caffe中文社区：http://www.caffecn.cn/
　GitHub站点：https://github.com/BVLC/caffe

---

4. Caffe2（star：6187）

　Caffe2是一个轻量级，模块化，可扩展的深度学习框架。 在原来的Caffe的基础上，Caffe2的设计思想是表达，速度和模块化。
　
　Caffe２官网　https://caffe2.ai/
　Caffe中文社区：http://www.caffecn.cn/
　GitHub站点：https://github.com/caffe2/caffe2

---

5. CNTK（star：12942）

　微软认知工具包–CNTK–是微软统一的深度学习工具包。
　CNTK提供Python，C＃或C ++接口，也可以通过自己的模型描述语言（BrainScript）作为独立的机器学习工具使用。 另外，您可以使用Java程序中的CNTK模型评估功能。
　
　CNTK官网：https://www.microsoft.com/en-us/cognitive-toolkit/
　GitHub站点：https://github.com/Microsoft/CNTK

---

6. pytorch（star：8826）

　PyTorch是一个把Python放在首位的深度学习框架。PyTorch不是Python绑定到一个单一的C ++框架。 它被构建为深入Python的集成。
　
　pytorch官网：http://pytorch.org/
　pytorch中文社区：https://ptorch.com/
　pytorch中文文档：http://pytorch-cn.readthedocs.io/zh/latest/
　中文论坛：https://discuss.ptorch.com/
　GitHub站点：https://github.com/pytorch/pytorch

---

7. torch7（star：7419）

　Torch是Torch7中的主要软件包，其中定义了多维张量的数据结构和数学运算。 此外，它提供了许多用于访问文件的实用程序，序列化任意类型的对象和其他有用的实用程序。
　Torch是一个科学的计算框架，广泛支持GPU首先使用的机器学习算法。 由于使用了简单快捷的脚本语言LuaJIT以及基础的C / CUDA实现，使用起来非常简单，效率也很高。
　
　Torch官网：http://torch.ch/
　GitHub站点：https://github.com/torch/torch7

---

8. deeplearning4j（star：7581）

　Deeplearning4j是为Java和Scala编写的第一个商业级开源分布式深度学习库。 与Hadoop和Spark集成，DL4J被设计用于分布式GPU和CPU的商业环境。
　
　deeplearning4j官网：https://deeplearning4j.org/
　GitHub站点：https://github.com/deeplearning4j/deeplearning4j

---

9. Theano（star：7250）

　Theano是一个Python库，它允许你定义、优化和求值数学表达式，特别是具有多维数组（numpy.ndarray）的数学表达式。对于涉及大量数据的问题，使用Theano可以获得与手工编写的C实现不相上下的速度。它还可以通过利用最近的GPU超过CPU上的C多个数量级。
　
　Theano官网：http://www.deeplearning.net/software/theano/
　GitHub站点：https://github.com/Theano/Theano
　中文文档：http://blog.csdn.net/wizardforcel/article/details/55001236

---

10. incubator-mxnet（star：11890）

　Apache MXNet是一个灵活而高效的深度学习库。
　轻便，便携，灵活的分布式/移动深度学习与动态，突变感知数据流调度; 对于Python，R，Julia，Scala，Go，Javascript等等。
　
　MXNet官网：http://mxnet.incubator.apache.org/
　GitHub站点：https://github.com/apache/incubator-mxnet
　中文文档博客：http://blog.csdn.net/daslab/article/details/50434145

---

11. deeppy（star：1173）

　DeepPy是建立在NumPy之上的深度学习框架。
　
　DeepPy官网：http://andersbll.github.io/deeppy-website/
　GitHub站点：https://github.com/andersbll/deeppy

---

　以上就是常用的一些深度学习框架，当然还有许多其他优秀的深度学习框架，这里没有列出来，后面用到了再讨论。。

参考：
DeepLearningStars：https://github.com/hunkim/DeepLearningStars#top-deep-learning-projects
https://www.jiqizhixin.com/articles/2016-08-10-2
http://www.dlworld.cn/YeJieDongTai/5479.html
深度学习框架比较：https://deeplearning4j.org/cn/compare-dl4j-torch7-pylearn
深度学习框架汇总：http://blog.csdn.net/wzz18191171661/article/details/70313426
深度学习的几种库：http://blog.csdn.net/u013066730/article/details/51538983