深度学习( Deep Learning )软件资源列表

列表源自http://deeplearning.net/software_links/，本文进行分类整理。
星号代表对软件库的推荐度，考虑了适用范围、开发语言、更新情况、文档示例完整性等方面，Just personal opinion。
根据编程语言，对深度学习的软件资源分类：

PYTHON：

★★★★★ 五星 Theano – CPU/GPU 符号表示编译器in python (from LISA lab at University of Montreal)  
相关资源：
Deep Learning Tutorials  – 使用Theano实现深度学习的示例 (from LISA lab at University of Montreal)
Pylearn2  - Pylearn2是一个机器学习库，功能建立在 Theano 之上.
Gnumpy  是一个Python模块，提供与numpy相似的接口，使用GPU进行计算，运行于cudamat之上.
cudamat  是一个基于GPU的矩阵库，包括训练Neural Networks and Restricted Boltzmann Machines的示例代码。
3-way factored RBM  and mcRBM  是Python代码，调用CUDAMat用于为自然图像训练模型(from Marc’Aurelio Ranzato ).
mPoT  是Python代码，调用CUDAMat和gnumpy用于为自然图像训练模型 (from Marc’Aurelio Ranzato ).


MATLAB：

★★★★★ 五星
DeepLearnToolbox  – A Matlab toolbox for Deep Learning (from Rasmus Berg Palm)
Matlab code for training  conditional RBMs/DBNs  and factored conditional RBMs  (from Graham Taylor ).
★★★★ 四星
Deep Belief Networks . Matlab代码用于学习深度信念网络(Deep Belief Networks) (from Ruslan Salakhutdinov).
Estimating Partition Functions of RBM’s . Matlab代码用于使用退火重要性采样(Annealed Importance Sampling)估计Restricted Boltzmann Machines的剖分函数(the partition function)   (from Ruslan Salakhutdinov).
Learning Deep Boltzmann Machines Matlab代码用于训练与微调Deep Boltzmann Machines (from Ruslan Salakhutdinov).
★★★ 三星
matrbm . Ruslan Salakhutdinov’s代码的简化版本, by Andrej Karpathy (Matlab).

C++：

★★★ 三星
Cuda-Convnet  –一个快速的卷积(或更一般地，前向式feed-forward)神经网络的C++/CUDA实现。可用于建模arbitrary layer connectivity and network depth. Any directed acyclic graph of layers will do. Training is done using the back-propagation algorithm.
★★★★★ 五星
Eblearn  是 C++机器学习库，BSD许可证，用于基于能量的学习(energy-based learning),卷积网络(convolutional networks), 视觉/识别应用(vision/recognition applications)等。EBLearn最初由 Pierre Sermanet  at NYU维护。
★★★ 三星
The  CUV Library  (github link ) 是一个C++库，包括python绑定，易于操作Nvidia CUDA矩阵函数。包括一个RBM实现，退火重要性采样代码( annealed importance sampling)，以及精确计算剖分函数(the partition function)的代码 (from AIS lab  at University of Bonn).


LUSH：
★★ 两星
Eblearn.lsh  是基于 LUSH的机器学习库，用于实现基于能量的学习(Energy-Based Learning). 它包括 “Predictive Sparse Decomposition” 的代码以及其他非监督学习的sparse auto-encoder methods. Koray Kavukcuoglu 在其 主页 上提供多篇深度学习相关论文的Eblearn代码。
相关资源：
LUSH  编程语言及开发环境, 用于@ NYU 开发深度卷积网络。LUSH全称是Lisp Universal Shell，Wiki上有 介绍 。



LUA：

★★★★★ 五星
Torch  – 提供与Matlab相似的环境，用于最新的机器学习算法。(from Ronan Collobert, Clement Farabet and Koray Kavukcuoglu)



推荐从Theano的Tutorials开始学习，若更关注算法效率，推荐Eblearn和Torch7，尤其是后者，值得一试。