開源的深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)正步入成熟，而現(xiàn)在有許多框架具備為個性化方案提供先進(jìn)的機(jī)器學(xué)習(xí)和人工智能的能力。那么如何決定哪個開源框架最適合你呢？本文試圖通過對比深度學(xué)習(xí)各大框架的優(yōu)缺點，從而為各位讀者提供一個參考。你最看好哪個深度學(xué)習(xí)框架呢？

現(xiàn)在的許多機(jī)器學(xué)習(xí)框架都可以在圖像識別、手寫識別、視頻識別、語音識別、目標(biāo)識別和自然語言處理等許多領(lǐng)域大展身手，但卻并沒有一個完美的深度神經(jīng)網(wǎng)絡(luò)能解決你的所有業(yè)務(wù)問題。所以，本文希望下面的圖表和講解能夠提供直觀方法，幫助讀者解決業(yè)務(wù)問題。

下圖總結(jié)了在 GitHub 中最受歡迎的開源深度學(xué)習(xí)框架排名，該排名是基于各大框架在 GitHub 里的收藏數(shù)，這個數(shù)據(jù)由 Mitch De Felice 在 2017 年 5 月初完成。

TensorFlow 最開始是由谷歌一個稱之為 DistBelief V2 的庫發(fā)展而來，它是一個公司內(nèi)部的深度神經(jīng)網(wǎng)絡(luò)庫，隸屬于谷歌大腦項目。有一些人認(rèn)為 TensorFlow 是由 Theano 徹底重構(gòu)而來。

谷歌開源 TensorFlow 后，立即吸引了一大批開發(fā)愛好者。TensorFlow 可以提供一系列的能力，例如圖像識別、手寫識別、語音識別、預(yù)測以及自然語言處理等。2015 年 11 月 9 號，TensorFlow 在 Apache 2.0 協(xié)議下開源發(fā)布。

TensorFlow 1.0 版本已于 2017 年 2 月 15 日發(fā)布，這個版本是之前 8 個版本的優(yōu)化改進(jìn)版，其致力于解決 Tensorflow 之前遇到的一系列問題以及完善一些核心能力。TensorFlow 獲得成功的因素有：

TensorFlow 提供了如下工具：

TensorBoard：對于網(wǎng)絡(luò)模型和效果來說是一個設(shè)計優(yōu)良的可視化工具。

TensorFlow Serving：可以保持相同的服務(wù)器架構(gòu)和 API，使得部署新算法和實驗變得簡單。TensorFlow Serving 提供了與 TensorFlow 模型開箱即用的整合，但同時還能很容易擴(kuò)展到其它類型的模型和數(shù)據(jù)。

TensorFlow 編程接口支持 Python 和 C++。隨著 1.0 版本的公布，Java、Go、R 和 Haskell API 的 alpha 版本也將被支持。此外，TensorFlow 還可在谷歌云和亞馬孫云中運行。

隨著 0.12 版本的發(fā)行，TensorFlow 將支持 Windows 7、 Windows 10 和 Server 2016。由于 TensorFlow 使用 C++ Eigen 庫，所以庫可在 ARM 架構(gòu)上編譯和優(yōu)化。這也就意味著你可以在各種服務(wù)器和移動設(shè)備上部署你的訓(xùn)練模型，而無需執(zhí)行單獨的模型解碼器或者加載 Python 解釋器。

TensorFlow 支持細(xì)粒度的網(wǎng)格層，而且允許用戶在無需用低級語言實現(xiàn)的情況下構(gòu)建新的復(fù)雜的層類型。子圖執(zhí)行操作允許你在圖的任意邊緣引入和檢索任意數(shù)據(jù)的結(jié)果。這對調(diào)試復(fù)雜的計算圖模型很有幫助。

分布式 TensorFlow（Distributed TensorFlow）被加進(jìn)了 0.8 版本，它允許模型并行，這意味著模型的不同部分可在不同的并行設(shè)備上被訓(xùn)練。

自 2016 年 3 月，斯坦福大學(xué)、伯克利大學(xué)、多倫多大學(xué)和 Udacity 都將這個框架作為一個免費的大規(guī)模在線開放課程進(jìn)行教授。

TensorFlow 的缺點如下：

TensorFlow 的每個計算流都必須構(gòu)造為一個靜態(tài)圖，且缺乏符號性循環(huán)（symbolic loops），這會帶來一些計算困難。

沒有對視頻識別很有用的三維卷積（3-D convoluTIon）。

盡管 TensorFlow 現(xiàn)在比起始版本（v0.5）快了 58 倍，，但在執(zhí)行性能方面依然落后于競爭對手。

Caffe 是賈揚清的杰作，目前他在 Facebook AI 平臺擔(dān)任首席工程師。Caffe 可能是自 2013 年底以來第一款主流的工業(yè)級深度學(xué)習(xí)工具包。正因為 Caffe 優(yōu)秀的卷積模型，它已經(jīng)成為計算機(jī)視覺界最流行的工具包之一，并在 2014 年的 ImageNet 挑戰(zhàn)賽中一舉奪魁。Caffe 遵循 BSD 2-Clause 協(xié)議。

Caffe 的快速使其完美應(yīng)用于實驗研究和商業(yè)部署。Caffe 可在英偉達(dá)單個 K40 GPU 上每天處理 6000 萬張圖像。這大概是 1 毫秒預(yù)測一張圖片，4 毫秒學(xué)習(xí)一張圖片的速度，而且最新的版本處理速度會更快。

Caffe 基于 C++，因此可在多種設(shè)備上編譯。它跨平臺運行，并包含 Windows 端口。Caffe 支持 C++、Matlab 和 Python 編程接口。Caffe 擁有一個龐大的用戶社區(qū)，人們在其中為被稱為「Model Zoo（https://github.com/BVLC/caffe/wiki/Model-Zoo）」的深度網(wǎng)絡(luò)庫做貢獻(xiàn)。AlexNet 和 GoogleNet 就是社群用戶構(gòu)建的兩個流行網(wǎng)絡(luò)。