对我来说，在 Ubuntu 上安装和使用最简单的是 Neon。我是做模型的，编程和数学都是初学者。不久我写了自己的可组合容器和更高级的模型。我在示例中遇到一些bug，修复了其中一些，并且可能会在某些点提交一些 pull 请求。Neon 有一些非常好的示例，涵盖了最新的一些研究的实现。在尝试 Neon 之前，我安装过 Theano，Tensoflow 和 Keras / Tensorflow，但几乎没有使用过。我认为不考虑设置的话，在易用性上 Keras 和 Neon 差不多。

　　当我开始考虑为大规模分布式训练写一点东西，我在打造自己的解决方案之前再次查看，并开始设置 mxnet。Mxnet 支持分布式训练和基于 ZMQ 的分布式KV存储，这正是我想要的。乍看之下它也像 Neon 一样可以直接使用。但在 Windows 和 Ubuntu 16.04 上设置 mxnet 简直就是噩梦，我只能放弃了对本地机器的 CUDA 支持。Amazon 上有一些预安装的示例。

　　我的经验是，Neon 最容易设置，在设置模型的难度上可能类似于 Keras，并且完全适应各种任务，包括图像处理、DL 以及其他不需要分布式训练的任务。就目前来说，好像也是 Neon 的性能最好。

　　用户 congerous：

　　与 Torch 和 Neon 相比，Tensorflow 是最慢的。虽然 Neon 也不是很有吸引力，很像 Chainer 和 Lasagne。Caffe 和 Neon 在图像任务上都很快，但他们不是真正意义上通用目的的框架。只说持久力的话，Theano，Torch / PyTorch，MxNet，TensorFlow / Keras 和 CNTK 应该都会继续增长。

　　深度学习框架的基本构成：五大基本要素

　　很多人都会遇到该如何选择框架的问题，了解这些框架的基础构造有助于你更好地做出选择。

　　常用的框架包括 Theano、TensorFlow、Torch 和 Keras。它们各有千秋，苏黎世联邦理工学院计算机科学系硕士研究生，同时也是 Theano 贡献者（contributor）的 Gokula Krishnan Santhanam 日前撰文详细剖析了这些框架共通的基础构成。

　　首先，一个深度学习框架含有以下五个核心组件：

张量对象（A Tensor Object）

对该张量对象进行的各种运算（Operations on the Tensor Object）

计算图和优化（A Computation Graph and Optimizations）

自动微分工具（Auto-differentiation tools）

BLAS、cuDNN 扩展组件（BLAS / cuBLAS and cuDNN extensions）

　　为了向开发者提供尽量简单的接口，大部分深度学习框架通常都会将普通的概念抽象化，这可能是造成许多用户感知不到上述五点核心组件的重要原因。

　　下面，我们就来一一看一下这五大组成。

　　1. 张量（Tensor Object）

　　用张量表示的对象是一个深度学习框架中的核心组件，因为后续的所有运算和优化算法都是基于张量进行的。几何代数中定义的张量是基于向量和矩阵的推广，通俗一点理解的话，我们可以将标量视为零阶张量，矢量视为一阶张量，那么矩阵就是二阶张量。

　　举例来说，可以将任意一张RGB彩色图片表示成一个三阶张量，三个维度分别是图片的高度、宽度和色彩数据。下图如果按照RGB三原色表示，就可以拆分为三张红色、绿色和蓝色的灰度图片（见下图中间的三张不同突破），再将这张图用张量表示出来，就是最下方的那张表格。

　　图中只显示了前5行、320列的数据，每个方格代表一个像素点，其中的数据[1.0, 1.0, 1.0]即为颜色。假设用[1.0, 0, 0]表示红色，[0, 1.0, 0]表示绿色，[0, 0, 1.0]表示蓝色，那么如图所示，前面5行的数据则全是白色。

　　将这一定义进行扩展，我们也可以用四阶张量表示一个包含多张图片的数据集，其中的四个维度分别是：图片在数据集中的编号，图片高度、宽度，以及色彩数据。