常见的7种深度学习框架对比

框架	简介	优点	缺点
Theano	2008年诞生于LISA实验室，其设计具有较浓厚的学术气息。 作为第一个Python深度学习框架，Theano很好的完成了自己的使命，为之后深度学习框架的开发奠定了基本设计方向： 以计算图为框架的核心，采用GPU加速计算	(1) Python+NumPy的组合；(2) 使用计算图； (3) 学习门槛低	(1) 比Torch臃肿； (2) 不支持分布式；(3) 大模型的编译时间有时要很久，调试困难； (4) 目前已停止开发
TensorFlow	2015年诞生于Google，可以看作是Theano的后继者。TensorFlow作为当前最流行的深度学习框架，它拥有一个全面而灵活的生态系统，其中包含各种工具、库和社区资源	(1) 具有更好的计算图可视化效果； (2) 可扩展性强，能部署在各种服务器和移动设备上；(3) 出色的社区支持； (4) 性能优异	(1) 过于复杂的系统设计，总代码量超过100万行，维护困难； (2) 接口设计复杂，且频繁变动；(3) 图构造是静态的，必须先被‘编译’再运行
Keras	2015年诞生于Google，是一个用Python编写的高级神经网络 API，它能够以 TensorFlow, CNTK,或者Theano作为后端运行。Keras的开发重点是支持快速的实验	(1) 简单容易上手； (2) 提供规范丰富的文档； (3) 基于Python实现，易调试易扩展；(4) 可使用theano和tensorflow两个backend	(1) 缺少灵活性；(2) 运行速度慢
CaffeCaffe2	Caffe 2014年诞生于伯克利，核心语言是C++，支持命令行、python和MATLAB接口，可在CPU和GPU上运行。 Caffe2诞生于2017年的Facebook，其沿袭了大量的Caffe设计，是一个兼具表现力、速度和模块性的开源深度学习框架	Caffe: (1) 简洁快速，易用性强；(2) 可支持Matlab 和 Python 接口 Caffe2: (1) 轻量级，扩展性好；(2) 性能优异； (3) 几乎全平台支持	Caffe: (1) 缺少灵活性； (2) 在递归神经网络上表现不佳 Caffe2: (1) 官方未提供完整的文档；(2) 安装复杂，编译过程常出现异常
MXNet	MXNet是一个深度学习库，支持各种常见的语言，其借鉴了Caffe的思想，但实现更干净。2016年，MXNet被AWS正式选择为其云计算的官方深度学习平台	(1) 支持灵活的动态图和高效的静态图，性能优异；(2) 扩展性好，分布式性能强大，可移植性强；(3) 支持多种语言和平台	(1) 入门门槛高；(2) 文档不完善，更新慢；(3) 代码有一些小bug
CNTK	2016年诞生于微软，根据开发者描述，CNTK的性能比主流工具都要强。CNTK表现比较均衡，没有明显的短板	(1) 性能出众； (2) 在语音领域效果突出	(1) 社区活跃度不高；(2) 文档比较难懂； (3) 目前不支持ARM架构，限制了其在移动设备上的发挥
PyTorch	2017年诞生于Facebook，PyTorch本质上是支持GPU的NumPy替代，配备了可用于构建和训练深度神经网络的更高级的功能。PyTorch是当前难得的简洁优雅且高效快速的框架	(1) 简洁，代码易于理解；(2) 速度快，优于TensorFlow和Keras等；(3) 灵活易用；(4) 社区活跃，文档完整	(1) 不支持移动设备部署；(2) 无可视化接口和工具

更多对比资料请参考：

• tensorflow和pytorch框架对比总结
• 主流深度学习框架对比
• 常见深度学习框架对比-《深度学习框架PyTorch:入门与实践》
• 深度学习框架对比与选择