深度学习框架

目前研究人员正在使用的深度学习框架不尽相同，有Tensorflow、Caffe、Theano、Keras等，在笔者眼里PyTorch是当前难得的简洁优雅且高效快速的框架。
（1）Theano目前已停止开发，不建议作为研究工具继续学习，Theano是一个python库，可用于定义、优化和计算数学表达式，特别是多维数组；
（2）Tensorflow的系统设计复杂、接口变动频繁以及文档混乱脱节。虽不完美但却是最流行的深度学习框架，社区强大，适合生产环境。
（3）Keras:入门最简单，过度封装导致丧失灵活性，层层封装导致用户在新操作时或是获取底部数据信息时过于困难，使用受限。
（4）caffe（caffe2）:全称是Convolutional Architecture for Fast Embedding.文档不够完善，但性能优异，几乎全平台支持（caffe2）,适合生产环境。
（5）MXNet:文档略混乱，但分布式性能强大，语言支持最多，适合AWS云平台使用。
（6）CNTK:社区不够活跃，但是性能突出，擅长语言方面的相关研究。
还有其他框架比如百度开源的PaddlePaddle,CMU开发的DyNet等，不一一介绍。
2016年tensorflow（静态图）如日中天，几乎所有人以为深度学习框架之争接近尾声，但2017年却迎来了基于动态图（PyTorch）的深度学习框架的爆发。几乎所有框架都是基于计算图的，计算图可分为静态计算图和动态计算图。静态计算图先定义再运行，一次定义多次运行。动态计算图是在运行过程中被定义的，在运行的时候被构建，可以多次构建多次运行。