深度学习框架汇总

随着“大数据时代”的到来和计算能力的提升，深度学习成为了一种很火的新科技。已经成功的应用到了很多个领域中。包括“计算机视觉”“语音识别”“自然语言处理”等。为了进行高效的开发一个深度学习系统，许多大型科技公司都推出了自己的深度学习框架。而且，最近这段时间接二连三的有新的“深度学习”框架推出。自己感觉有必要做一个总结，来收集一下这些深度学习框架。

但是，在此同时，我有一个问题，真的需要这么多的深度学习框架吗？在科技领域为什么看不到合作呢？众多的深度学习框架，企业和个人如何选择一个适合自己的框架呢？

以下，我将围绕着几个问题展开整篇博客的内容。

1. 首先，让我们看一下，当前都有哪些深度学习框架？我会列出相应的链接，方便大家的访问。(我会不断地更新这个列表)

1.Tensorflow – https://www.tensorflow.org/
github – https://github.com/tensorflow/tensorflow

2.Caffe – http://caffe.berkeleyvision.org/
github – https://github.com/BVLC/caffe

3.Theano – http://deeplearning.net/software/theano/install.html
github – https://github.com/Theano/Theano

4.keras – https://keras.io/
github – https://github.com/fchollet/keras

5.Torch – http://torch.ch/
github – https://github.com/torch/torch7

6.Lasagne – http://lasagne.readthedocs.io/en/latest/
github – https://github.com/Lasagne/Lasagne

7.MXNet – http://mxnet.io/
github – https://github.com/dmlc/mxnet

8.DIGITS – https://developer.nvidia.com/digits
github – https://github.com/NVIDIA/DIGITS

9.CNTK – https://cntk.codeplex.com/
github – https://github.com/Microsoft/CNTK

10.PaddlePaddle – http://www.paddlepaddle.org/
github – https://github.com/PaddlePaddle/Paddle

11.Deeplearning4j – https://github.com/deeplearning4j/
deeplearning4j

12.tensorlayer – http://tensorlayer.readthedocs.io/en/latest/
github – https://github.com/zsdonghao/tensorlayer

13.TFLearn – http://tflearn.org/tutorials/
githu – https://github.com/tflearn/tflearn

14.caffe2 – https://caffe2.ai/
github – https://github.com/caffe2/caffe2

15.pytorch – http://pytorch.org/
github – https://github.com/pytorch/pytorch

16.Leaf – http://autumnai.com/leaf/book/
github – https://github.com/autumnai/leaf

17.Chainer – http://chainer.org/
github – https://github.com/pfnet/chainer

18.DSSTNE
github – https://github.com/amznlabs/amazon-dsstne

19.Neon
github – https://github.com/NervanaSystems/neon

2. 接下来，让我们简单的比较一下它们的性能，能存在总会有理由的，它们都有自己的特点。以下的表格是一个有关于各个深度学习框架的一个对比：

注：
1.从这个表格我们可以看出，当前比较受欢迎的深度学习框架包括：tensorflow、caffe、keras、CNTK、MXNet、Torch、Theano。工业界中常用的包括：tensorflow、caffe、CNTK、MXNet、Torch。学术界常用的包括：keras、theano。

2.这个表格中的部分数据来自于互联网，可能存在着一定的误差吗，但是总的来说具有一定的参考价值。

3. 接下来，让我们一起来分析并探讨一些问题。通过上面的表格，我们会发现有很多的深度学习框架。那么，我们该如何选择一个适合自己的深度学习框架呢？你需要根据你自己的实际需要选择合适的框架。需要考虑的主要因素包括：开发语言、硬件平台、操作系统等

a. 开发语言
通过上面的表格我们可以总结出深度学习支持的开发语言包括：
Python/C++/R/Julia/Scala/Go/Javascript/Perl/Matlab
/Lua/Cuda/JAVA/Rust等。但是最常用的两种开发语言是：Python和C++。主要的原因如下所示：

1） python非常简单，很容易上手，但是运行的效率比较低，因此常用来快速的搭建深度学习中的网络模型。
2）C++的语法众多，需要自己分配并处理内容，开发代码冗长，但是运行效率很高，因此常用来作为深度学习中的终端引擎来使用。
如果你自己不熟悉Python或者C++，你可以使用的框架就非常的有限；
如果你熟悉Python或者C++,你几乎可以使用任何一种深度学习框架；
如果你是一名JAVA爱好者，你更可能会选择利用Deeplearning来进行开发。

因此，开发语言是一个限制你使用深度学习框架的一个关键因素。你需要根据你自己的实际情况选择。

b. 硬件平台
通过上面这个表格，我们可以总结出当前的深度学习框架支持的硬件平台包括：CPU、GPU、Andriod、IOS、FPGA、ARM等多种平台。
如果你的电脑不支持GPU，你就只能选择其他的平台；
如果你自己擅长GPU，你可以使用的框架就很多；
如果你的项目制定的硬件是FPGA，你能使用的框架就会受到限制。

因此，这也是一个限制你使用框架的关键因素。你需要根据自己的需要以及项目的需要去进行选择。

c. 操作系统
当前，这些框架支持的系统主要包括：Linux、Mac、Windows。几乎包括了所有的操作系统。但是对应不同的框架所支持的操作系统有很多不同。
如果你熟悉Linux系统，那么你几乎可以使用任何一个框架。
如果你想在Windows下使用这些框架，那么你就会受到很大的限制。同时会出现很多莫名其妙的问题。

因此，你需要选择一个合适的操作系统，这可能会影响你的开发进程和使用的框架的数目。

d. 分布式系统
分布式系统可以将一个很大的任务分割开来，在不同的主机上进行运行，这可以大大的提高训练的速率，加快整个开发的过程。这对于大模型的训练具有至关重要的作用。当前对分布式系统有很好的支持的框架包括：tensorflow、CNTK、MXNet、Torch、Caffe。都有强大的后台。
如果你训练的数据量很少，你可以选择使用单片CPU或者单片GPU；
如果你训练的数据量较大，你可以选择使用多块CPU或者多块GPU；
如果你训练的数据量很大，你就需要使用到云服务器或者一个分布式系统集群。

因此，这也是一个影响你选择框架的一个因素。
总之，你需要综合考虑多个因素选择一个合适的深度学习框架。

4. 这里我想要提出一个问题！！

我的问题是：为什么不能将这些框架整合起来，做一个大的框架，支持所有的系统，支持所有的语言，支持所有的平台，最重要的是只要一个？
这里的框架水平不一，但是它们的存在是由理由的。它们或多或少的都有自己的优势，何必单干呢。深度学习已经是一个趋势，应该建立一个国际组织，负责制定一个标准，收集他们的长处，做一个高性能的框架，这样不是更高效嘛。使用者也不再需要纠结使用哪一种框架。开发商也不需要进行独自的开发，维护。同时可以让更多的爱好者来共同维护它。这可能需要时间吧！希望这个愿望可以实现！