开源深度学习神经网络已经进入成熟阶段，现在有许多框架能够为个性化解决方案提供高级机器学习和人工智能。那么，如何确定最适合您的开源框架呢？本文试图通过比较深度学习主要框架的优缺点为读者提供参考。您最看好哪个深度学习框架？当前许多机器学习框架可以在很多领域展示其技能，例如图像识别，手写识别，视频识别，语音识别，目标识别和自然语言处理，但是没有完美的深度神经网络可以解决您的所有业务。问题。因此，本文希望以下图表和说明可以提供直观的方法来帮助读者解决业务问题。下图总结了GitHub中最受欢迎的开源深度学习框架的排名。排名基于GitHub中主要框架的集合数。该数据由Mitch De Felice于2017年5月完成。TensorFlow最初由名为DistBelief V2的Google库开发，DistBelief V2是公司内部的内部深度神经网络库，是Google Brain Project的一部分。有人认为TensorFlow是完全从Theano重构而来的。 Google开源TensorFlow之后，立即吸引了众多开发爱好者。 TensorFlow可以提供一系列功能，例如图像识别，手写识别，语音识别，预测和自然语言处理。根据Apache 2.0协议，TensorFlow于2015年11月9日作为开源发布。 TensorFlow 1.0版于2017年2月15日发布。此版本是先前8个版本的优化和改进版本。它致力于解决Tensorflow之前遇到的一系列问题，并改善一些核心功能。 TensorFlow的成功因素是：TensorFlow提供以下工具：TensorBoard：这是一个精心设计的用于网络模型和效果的可视化工具。 TensorFlow服务：可以维护相同的服务器体系结构和API，从而可以轻松地部署新算法和实验。 TensorFlow Serving提供与TensorFlow模型的现成集成，但也可以轻松扩展到其他类型的模型和数据。 TensorFlow编程接口支持Python和C ++。随着1.0版的发布，还将支持Java，Go，R和Haskell API的Alpha版本。此外，TensorFlow还可以在Google Cloud和Amazon Cloud中运行。随着版本0.12的发布，TensorFlow将支持Windows 7，Windows 10和Server2016。由于TensorFlow使用C ++ Eigen库，因此可以在ARM体系结构上对其进行编译和优化。这意味着您可以在各种服务器和移动设备上部署训练模型，而不必执行单独的模型解码器或加载Python解释器。 TensorFlow支持细粒度的网格层，并允许用户构建新的复杂层类型，而无需以低级语言实现它们。子图执行操作使您可以在图的任何边缘引入和检索任意数据的结果。这对于调试复杂的计算图模型非常有帮助。分布式TensorFlow（分布式TensorFlow）已添加到版本0.8中，该版本允许对模型进行并行化，这意味着可以在不同的并行设备上训练模型的不同部分。自2016年3月以来，斯坦福大学，伯克利大学，多伦多大学和Udacity都将此框架作为免费的大规模在线开放课程进行了讲授。 TensorFlow的缺点如下：TensorFlow的每个计算流程都必须构造为静态图，并且缺少符号循环（符号循环），这会带来一些计算上的困难。没有可用于视频识别的三维卷积（3-D卷积）。尽管TensorFlow现在比初始版本（v0.5）快58倍，但在执行性能方面仍落后于竞争对手。 CaffeCaffe是贾阳清的杰作，目前担任Facebook AI平台的首席工程师。自2013年底以来，Caffe可能是第一个主流的工业级深度学习工具包。由于Caffe出色的卷积模型，它已成为计算机视觉行业中最受欢迎的工具包之一，并获得了Caffe的一等奖。 2014年ImageNet挑战赛。 Caffe遵循BSD 2-Clause协议。 Caffe的速度使其非常适合实验研究和商业部署。 Caffe可以在单个Nvidia K40 GPU上每天处理6000万张图像。大约需要1毫秒