深度学习框架简介

1. TensorFlow

Airbnb， DeepMind，Intel，Nvidia，Twitter以及许多其他著名公司都在使用它。
Google开源的TensorFlowTensorflow的体系比较灵活，能够使用单个API将计算部署到服务器或移动设备中的某个或多个CPU或GPU上，工业应用还是tensorflow比较多,或许是TensorFlow在GPU的分布式计算上更为出色。但计算是静态计算，也就是构造完计算图之后，计算图是不能改变的。
TensorFlow提供全面的服务，无论是Python，C++，JAVA，Go，甚至是Javascript，Julia，C#，几乎所有开发者都可以从熟悉的语言入手开始深度学习的旅程。

2. pytorch

Pytorch是基于用Lua编写的Torch库的Python实现的深度学习库，它由Facebook创建，目前被广泛应用于学术界和工业界，随着Caffe2项目并入Pytorch，也稳固了Pytorch紧追并迫近TensorFlow在深度学习应用框架领域的地位。
pytorch和TensorFlow的一点区别，那就是pytorch是一个动态的框架，而TensorFlow是一个静态的框架。我们知道TensorFlow构建的计算图是不能够变的了，然后我们再传入不同的数据进去，进行计算。这就带来一个问题，就是固定了计算的流程，势必带来了不灵活性，如果我们要改变计算的逻辑，或者随着时间变化的计算逻辑，这样的动态计算TensorFlow是实现不了的，或者是很麻烦。pytorch就可以很好的解决这个问题。
学术科研的时候pytorch用的比较多,究其原因一是Pytorch库足够简单，跟NumPy，SciPy等可以无缝连接，而且基于tensor的GPU加速非常给力，二是训练网络迭代的核心-梯度的计算，Autograd架构（借鉴于Chainer），在Pytorch，我们可以动态的设计网络，而无需笨拙的定义静态网络图，才能去进行计算，想要对网络有任务修改，都要从头开始构建静态图。基于简单，灵活的设计，Pytorch快速成为了学术界的主流深度学习框架。
Pytorch的劣势在于模型部署。

3. PaddlePaddle

PaddlePaddle是由百度自主开发的开源深度学习框架，近期发现有了中文名字，飞桨。功能上，飞桨同时支持动态图和静态图，能方便的调试模型，方便的部署，非常适合业务应用的落地实现。飞桨也已经支持数百个节点的高效并行训练。可以说在过去2年的时间里，深度学习领域在大规模的落地应用，各家框架也都在快速的发展，但是百度的PaddlePaddle看来是这个阶段发展更快的框架，甚至是发展更快的AI开发生态。
以上三个框架可以说是目前发展比较快的，并且在稳定更新，维护的。功能上来说，各框架已经“越长越像”了，三个框架还是会有各自的特点，如何选择还是要根据自己的目标来看。不过现在，如果稍微深入的了解TensorFlow和Pytorch，就会发现他们越来越像，TF加入了动态图架构，Pytorch致力于其在工业界更加易用。打开各自的官网，你也会发现文档风格也越发的相似。

4. Caffe&Caffe2

5. Keras

Keras由纯Python编写而成并基于Tensorflow、Theano以及CNTK后端，相当于Tensorflow、Theano、CNTK的上层接口，号称10行代码搭建神经网络，具有操作简单、上手容易、文档资料丰富、环境配置容易等优点，简化了神经网络构建代码编写的难度。目前封装有全连接网络、卷积神经网络、RNN和LSTM等算法。官方宣布已经不再更新。

6. Mxnet

7. Theano

8. CNTK

9. Chainer

10. Deeplearning4j

11. Darknet

darknet是一个较为轻型的完全基于C与CUDA的开源深度学习框架，其主要特点就是容易安装，没有任何依赖项（OpenCV都可以不用），移植性非常好，支持CPU与GPU两种计算方式。
darknet完全由C语言实现，没有任何依赖项，当然可以使用OpenCV，但只是用其来显示图片、为了更好的可视化；
darknet支持CPU（所以没有GPU也不用紧的）与GPU（CUDA/cuDNN，使用GPU当然更块更好了）；
正是因为其较为轻型，没有像TensorFlow那般强大的API，所以给我的感觉就是有另一种味道的灵活性，适合用来研究底层，可以更为方便的从底层对其进行改进与扩展；
darknet的实现与caffe的实现存在相似的地方，熟悉了darknet，相信对上手caffe有帮助