深度學習主流框架介紹(PyTorch、TensorFlow、Keras、Caffe、Theano、MXNET)
1.Theano
Theano是最早的深度學習框架之一，由 Yoshua Bengio 和 Ian Goodfellow 等人開發，是一個基於 Python 語言、定位底層運算的計算庫，Theano 同時支持 GPU 和 CPU 運算。由於 Theano 開發效率較低，模型編譯時間較長，同時開發人員轉投 TensorFlow等原因，Theano 目前已經停止維護。
2.Scikit-learn
Scikit-learn是一個完整的面向機器學習算法的計算庫，內建了常見的傳統機器學習算法支持，文檔和案例也較爲豐富，但是 Scikit-learn 並不是專門面向神經網絡而設計的，不支持 GPU 加速，對神經網絡相關層實現也較欠缺。
3.Caffe
Caffe 由華人博士賈揚清在 2013 年開發，主要面向使用卷積神經網絡的應用場合，並不適合其他類型的神經網絡的應用。Caffe 的主要開發語言是 C++，也提供 Python 語言等接口，支持 GPU 和 CPU。由於開發時間較早，在業界的知名度較高，2017年Facebook 推出了 Caffe 的升級版本 Cafffe2，Caffe2 目前已經融入到 PyTorch 庫中。Torch 是一個非常優秀的科學計算庫，基於較冷門的編程語言 Lua 開發。Torch 靈活性較高，容易實現自定義網絡層，這也是 PyTorch 繼承獲得的優良基因。但是由於 Lua 語言使用人羣較小，Torch 一直未能獲得主流應用。
4.MXNET
MXNET由華人博士陳天奇和李沐等人開發，已經是亞馬遜公司的官方深度學習框架。採用了命令式編程和符號式編程混合方式，靈活性高，運行速度快，文檔和案例也較爲豐富。
5.PyTorch
PyTorch是 Facebook 基於原有的 Torch 框架推出的採用 Python 作爲主要開發語言的深度學習框架。PyTorch 借鑑了 Chainer 的設計風格，採用命令式編程，使得搭建網絡和調試網絡非常方便。儘管 PyTorch 在 2017 年才發佈，但是由於精良緊湊的接口設計，PyTorch 在學術界獲得了廣泛好評。在 PyTorch 1.0 版本後，原來的 PyTorch 與 Caffe2進行了合併，彌補了 PyTorch 在工業部署方面的不足。總的來說，PyTorch 是一個非常優秀的深度學習框架。
6.Keras
Keras是一個基於 Theano 和 TensorFlow 等框架提供的底層運算而實現的高層框架，提供了大量方便快速訓練，測試的高層接口，對於常見應用來說，使用 Keras 開發效率非常高。但是由於沒有底層實現，需要對底層框架進行抽象，運行效率不高，靈活性一般。
7.TensorFlow
TensorFlow是 Google 於 2015 年發佈的深度學習框架，最初版本只支持符號式編程。得益於發佈時間較早，以及Google在深度學習領域的影響力，TensorFlow 很快成爲最流行的深度學習框架。但是由於 TensorFlow 接口設計頻繁變動，功能設計重複冗餘，符號式編程開發和調試非常困難等問題，TensorFlow 1.x 版本一度被業界詬病。2019年，Google 推出 TensorFlow 2 正式版本，將以動態圖優先模式運行，從而能夠避免TensorFlow 1.x 版本的諸多缺陷，已獲得業界的廣泛認可。
小結
目前來看，TensorFlow 和 PyTorch 框架是業界使用最爲廣泛的兩個深度學習框架， TensorFlow在工業界擁有完備的解決方案和用戶基礎，PyTorch 得益於其精簡靈活的接口設計，可以快速設計調試網絡模型，在學術界獲得好評如潮。TensorFlow 2發佈後，彌補了TensorFlow 在上手難度方面的不足，使得用戶可以既能輕鬆上手TensorFlow框架，又能無縫部署網絡模型至工業系統。
更多文章請搜索公衆號“StrongerTang”，衆多資料分享，一起學習！