本文编译自ai.icymi，该作者全面介绍了目前在GitHub上最流行的几种深度学习框架，同时进行了详细的对比。机器人圈希望通过此文，圈友可以加深对开源深度学习框架的理解，并在学习过程中更好地选择适合自己的框架类型，提高效率。

　　图：Pixabay

　　Caffe是一种流行的视觉识别深度学习网络。

　　Caffe 2继续强力支持视觉类型问题，但增加了自然语言处理、手写识别和时间序列预测的循环神经网络（RNN）和长短期记忆网络（LSTM）。

　　MXNet支持深度学习架构，如卷积神经网络（CNN）和循环神经网络（RNN），包括长短期记忆网络（LTSM）。

　　然而，随着Facebook最新宣布其改变航向，使Caffe 2成为主要的深入学习框架，以便在移动设备上部署深入学习。

　　DL4J具有丰富的深层网络架构支持：受限玻尔兹曼机（RBM）、深信度神经网络（DBN）、卷积神经网络（CNN）、循环神经网络（RNN），RNTN和长短期记忆网络（LTSM）。

　　开源深度学习神经网络即将到来，几种框架均通过专有解决方案提供先进的机器学习和人工智能的功能。如何确定哪个开源框架最适合你呢？

　　在“大数据-智能数据的路线图”一文中，我描述了一套机器学习架构，它提供包括图像、手写、视频、语音识别、自然语言处理和对象识别等高级功能。没有一种完善的深度学习网络可以解决你“所有”的业务问题。希望下面的内容能够为你的业务提供最适合目的框架的见解。

　　以下有关深度学习框架的内容，总结了GitHub中最流行的开源深度网络库。排名基于开发者在GitHub收到的星星数。（数字来源于2017年5月初）

　　TensorFlow

　　Google的TensorFlow来自早期的名为DistBelief V2的Google库，它是作为Google Brain项目一部分而开发的专有深度网络库。有些人形容TensorFlow是对Theano的重新设计。

　　当开源TensorFlow后，谷歌立即获得了大量的关注。TensorFlow支持广泛的功能，如图像、手写、语音识别、预测，以及自然语言处理。TensorFlow于2015年11月9日以Apache 2.0许可开源。

　　TensorFlow在2017年2月15日发布了1.0版本。此版本是八个先前版本的累积，它解决了TensorFlow很多不完整的核心功能和性能问题。以下是TensorFlow成功的性能介绍。

　　TensorFlow提供以下工具：

　　TensorFlow编程接口包括Python和C ++。随着版本1.0的公布，将支持Java、GO、R和Haskell API的alpha版本接口。此外，TensorFlow在Google和Amazon Cloud Environment中获得支持。

　　随着 TensorFlow r0.12 版的发布，这一开源软件库现已支持 Windows7、10 和 Server 2016。该开源软件库可以在ARM架构上编译和优化，因为它使用C ++ Eigen库。这意味着你可以在各种服务器或移动设备上部署经过培训的模型，而无需实现单独的模型解码器或加载Python解释器。

　　TensorFlow支持精细的网格层，允许用户构建新的复杂层类型，而不用低级语言实现。子图执行允许你在图的任何边缘引入和检索自由数据的结果，这对于调试复杂的计算图非常有帮助。

　　分布式TensorFlow引入了版本0.8，允许模型并行，j2直播，这意味着模型的不同部分在不同的设备上可以并行训练。

　　该框架正在斯坦福大学、加州大学伯克利分校、多伦多大学和优达学城（Udacity）上推出相关课程。

　　Caffe

　　Caffe是领导Facebook AI平台工程的贾扬清的心血结晶。Caffe可能是第一个主流的行业级深度学习工具包，开创于2013年底。由于其优良的卷积模型，它是计算机视觉界最受欢迎的工具包之一，并在2014年获得了ImageNet挑战赛中获得胜利。Caffe在BSD 2-Clause开源许可后发布。