如果你的模型属于以下几种，可以考虑使用预训练模型，按照使用次数收费。所有这些模型构建起来都有相当大的难度，需要深厚的研究和编程基础，这种工作还是留给专家来做更放心

图像识别

语言检测和翻译

语音识别

　　如何选择深度学习框架

　　上面说完了谷歌机器学习的实用技巧，也正好说到了 TensorFlow——代表谷歌深度学习的开源框架。现在，开源深度学习框架越来越多，除了 TensorFlow，目前可选的就有 Theano + Lasagne / Keras，Torch，PyTorch，Mxnet / minpy，Chainer，Neon，CNTK，Caffe 和 dynet。

　　每个框架都有各自的优势，使得选择哪个框架变得越来越难以权衡。此前 Soumith 的 convnet-benchmarks （https://github.com/soumith/convnet-benchmarks）是很不错的框架间的比较基准，但也已经很久没有更新了。

　　为此，前不久 Reddit 用户 m_ke 在 Reddit 机器学习板块发起了讨论：2017 年常用深度学习开源框架的状况会是怎样？

　　m_ke 对这个讨论还做了补充说明：

　　1.你现在使用哪个框架？

　　2.你使用该框架做什么任务（CV / NLP / RL）？

　　3.你喜欢该框架的哪些地方？

　　4.你是否考虑换个框架？

　　5.你现在遇到的最大的瓶颈是什么：内存，计算，还是数据？

　　这些问题引起了一些有意思的讨论，以下是摘选：

　　用户 sbt_：

　　这个问题就像在 emacs 和 vim 之间进行选择。当前的框架在性能方面都没有什么太大的不同，没有哪个能好到你能说它比其他的都好。

　　如果你想知道这些库/框架之间有何区别，可以在典型的使用案例（硬件和模型架构）上自己做基准比较。我偏好的可能仍然是 Theano，但我发现 TensorFlow 对我的任务也表现得同样好——选择 Theano 只是因为我对它更熟悉。此外，我两三天前看了下 PyTorch，看起来也非常好。

　　用户 feedtheaimbot：

　　我个人使用 Lasagne 和 Theano 做研究。它的功能完整，设计良好。我的研究领域包括 RL，CV，贝叶斯推理，Memnets 等，它对所有这些工作都表现良好，哪怕我试图实现一些非常不标准化的想法。

　　我唯一的不满是 Theano 的编译时间长的令人生厌。这点能够部分得到解决，至少对合理性检查方面，通过添加一些标志例如 device = cpu。

　　我也对 Pytorch 和 minPy 挺感兴趣，特别是我觉得 numpy 很好，有助于加快我的迭代速度。

　　用户 miketout：