一、深度学习框架是什么？

深度学习框架像Caffe、tensorflow，这些是深度学习的工具，简单来说就是库，编程时需要import caffe、import tensorflow。
作一个简单的比喻，一套深度学习框架就是这个品牌的一套积木，各个组件就是某个模型或算法的一部分，你可以自己设计如何使用积木去堆砌符合你数据集的积木。

二、深度学习框架有哪些？

谷歌：TensorFlow
Facebook：pytorch
百度：Paddle Paddle
微软：CNTK
亚马逊的AWS：MXNet
华为：mindspore
一流科技：oneflow
旷世：MegEngine
清华：Jittor

三、如何选择合适的框架？

每种框架都有其优缺点，选择的时候更加需要根据自身业务的实际需求：例如需要用到对时间序列分析的，那么就会使用循环神经网络RNN，而Caffe、MXNet虽然对图像卷积处理非常友善但缺乏循环神经网络。Google的TensorFlow支持其他机器学习算法，还支持增强学习Reinforcement learning算法。

1. TensorFlow

开发语言：
基于python编写，通过C/C++引擎加速，是Google开源的第二代深度学习框架。

编程语言：
Python是处理TensorFlow的最方便的客户端语言。不过，JavaScript、C++、Java、Go、C#和Julia也提供了实验性的交互界面。

优点：

处理循环神经网RNN非常友好。其用途不止于深度学习，还可以支持增强学习和其他算法。
内部实现使用了向量运算的符号图方法，使用图graph来表示计算任务，使新网络的指定变得相当容易，支持快速开发。TF使用静态计算图进行操作。也就是说，我们首先定义图，然后运行计算，如果需要对架构进行更改，我们将重新训练模型。TF选择这种方法是为了提高效率，但是许多现代神经网络工具能够在不显著降低学习速度的情况下，同时兼顾到在学习过程中进行改进。在这方面，TensorFlow的主要竞争对手是Pythorch。

缺点：

目前TensorFlow还不支持“内联（inline）”矩阵运算，必须要复制矩阵才能对其进行运算，复制庞大的矩阵会导致系统运行效率降低，并占用部分内存。
TensorFlow不提供商业支持，仅为研究者提供的一种新工具，因此公司如果要商业化需要考虑开源协议问题。

2. PyTorch

开发语言：
Facebook用Lua编写的开源计算框架，支持机器学习算法。Tensorflow之后深入学习的主要软件工具是PyTorch。
Facebook于2017年1月开放了Torch的Python API ― PyTorch源代码。

优点：

具有较好的灵活性和速度。与TensorFlow不同，PyTorch库使用动态更新的图形进行操作，这意味着你可以在这个过程中做出改变。实现并优化了基本计算单元，可以很简单地在此基础上实现自己的算法，不用浪费精力在计算优化上面。
支持动态计算图，能处理长度可变的输入和输出，这尤其适用于循环神经网络RNN的应用。
在PyTorch中可以使用标准调试器，例如pdb或PyCharm。
Pytorch训练神经网络的过程简单明了。
Pythorch支持数据并行和分布式学习模型，并包含许多预先训练好的模型。

缺点：

Pythorch更适合小项目和原型设计。说到跨平台解决方案，TensorFlow看起来更合适。但是，值得注意的是，对于同样的任务，用户可以使用2017年推出的Caffe2移动框架。

3. Caffe 1.0

开发语言：
2013年底由UC Berkely的贾扬清基于C和C++开发的深度学习框架，第一个主流的工业级深度学习工具。

优点：

具有非常出色的卷积神经网络实现，尤其在13年至16年期间大部分与视觉有关的深度学习论文都采用了caffe框架。至今为止Caffe在计算机视觉领域依然是最流行的工具包。

缺点：

由于开发早和历史遗留问题，其架构的缺点是不够灵活。
缺乏对循环网络RNN和语言建模的支持，因此Caffe不适用于文本、声音或时间序列数据等其他类型的深度学习应用。

4. Theano

开发语言：
Theano是深度学习框架中的元老，使用Python编写。Theano派生出了大量Python深度学习库，最著名的包括Blocks和Keras。

优点：

最大特点是非常的灵活，适合做学术研究的实验。
对递归网络和语言建模有较好的支持。

缺点：

速度较慢。

5. MXNet

开发语言：
MXNet主要由C/C++编写。MXNet是16年新兴的深度学习框架，因此大量借鉴了Caffe的优缺点。

编程语言：
提供多种API的机器学习框架，面向R、Python和Julia等语言，目前已被亚马逊云服务作为其深度学习的底层框架。
这个框架从一开始就支持大量的语言（C++、Python、R、Julia、JavaScript、Scala、Go，甚至Perl）。

优点：

最主要的特点是分布式机器学习通用工具包DMLC 的重要组成部分，因此其分布式能力较强。值得强调的是这个框架在多个GPU和多台机器上非常有效地并行。
MXNet还注重灵活性和效率。
文档也非常的详细。
强调提高内存使用的效率，甚至能在智能手机上运行诸如图像识别等任务。
支持多个GPU（优化计算和快速上下文切换）。
干净且易于维护的代码（Python、R、Scala和其他API）。
快速解决问题的能力（对正在深入学习的新手来说至关重要）。

缺点：

与Caffe一样，缺乏对循环神经网络RNN的支持，相对比使用JAVA实现的NL4J在分布式方面没有JAVA方便。

6. Keras

Keras 是一个基于Theano和TensorFlow的深度学习库，使用TensorFlow、Theano或CNTK的捷径就是是高级Keras shell。
由于受到深度学习元老框架Torch的启发，拥有较为直观的API，有望成为未来开发神经网络的标准Python API。

优点：

除了Tensorflow之外，Keras还可以作为其他流行的低级库（如Theano和CNTK）之上的高级API。
在Keras中，原型制作非常方便。用户在Keras中创建大量的深度学习模型被简化为单行函数。凡事有利有弊，这种策略会使得Keras的可配置性不如底层框架。
对于那些刚刚起步学习深度学习的小白来说，Keras可能是最好的深度学习框架。它是学习和复现简单概念的理想选择，小白能够通过使用Keras理解各种模型和学习过程的本质。
Keras是一个编写精美的API。API的功能特性可以完全帮助用户构建更多新奇复杂的应用。同时，Keras不会阻止对底层框架的访问。
Keras编写的代码更加可读和简洁。
使用Python生成器的Keras模型序列化/反序列化API、回调和数据流已经非常成熟。

缺点：

灵活性低，Keras的可配置性不如底层框架。

顺便说一句：
Tensorflow位于较低级别：这是像MXNet、Theano和Pythorch这样的框架所在的位置。这是实现数学运算（如广义矩阵矩阵乘法）和神经网络原语（如卷积运算）的层次。
Keras在更高的水平上。在这个层次上，较低层次的原语用于实现神经网络的抽象，如层次和模型。通常，在这个级别上，还实现了其他有用的API，如模型保存和模型培训。

7. Chainer

在CMU的DyNet和Facebook的PyTorch出现之前，Chainer一直是动态计算图或网络的领先神经网络框架，这种网络允许输入可变长度，而这正是NLP任务的一个流行特性。

开发语言：
Chainer 的代码是在Numpy和CuPy库之上用纯Python编写的。Chainer是第一个使用动态架构模型的框架（如PyTorch）。
当用神经网络建模解决问题时，Chainer多次打破了缩放效率的记录。

优点：

根据Chainer的基准测试，Chainer明显比其他面向Python的框架更快，其中TensorFlow是包括MxNet和CNTK的测试组中速度最慢的。
Chainer的GPU和GPU数据中心性能优于TensorFlow。（TensorFlow针对TPU架构进行了优化）最近，Chainer成为GPU数据中心性能的世界冠军。
类OOP编程风格。