Torch由Facebook的Ronan Collobert和SoumithChintala、Twitter的Clement Farabet（现在在Nvidia），以及Google Deep Mind的KorayKavukcuoglu共同开发。Torch的主要贡献者是Facebook，Twitter和Nvidia。Torch获得BSD 3开源许可。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的学习。

　　Torch以Lua编程语言实现。 Lua不是主流语言，只有在你的员工熟练掌握之前，才会影响开发人员的整体效率。

　　Torch缺乏TensorFlow的分布式应用程序管理框架或者在MXNet或Deeplearning4J中支持YARN。缺乏大量的API编程语言也限制了开发人员。

　　DL4J

　　Deeplearning4J（DL4J）是由Java和Scala编写的Apache 2.0授权的开放源码，分布式神经网络库。DL4J是SkyMind的Adam Gibson的创意，atv，是唯一与Hadoop和Spark集成的商业级深度学习网络，它协调多个主机线程。DL4J是独特的深度学习框架，因为它使用Map-Reduce来训练网络，同时依靠其他库来执行大型矩阵操作。

　　DL4J框架内置GPU支持，这是训练过程的重要功能，并支持YARN、Hadoop分布式应用程序管理框架。DL4J支持丰富的深层网络架构：RBM、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）。DL4J还包括名为Canova的矢量库的支持。

　　DL4J在Java中开源，本质上就比Python快。它与Caffe一样快，用于使用多个GPU的非平凡的图像识别任务。该框架为图像识别，欺诈检测和自然语言处理提供了出色的功能。

　　Theano

　　Theano由蒙特利尔大学学习算法学院（MILA）积极维护。以Theano的创始人YoshuaBengio为首，该实验室拥有约30-40名教师和学生，是深入学习研究的重要贡献者。Theano支持快速开发高效的机器学习算法，并通过BSD许可发布。

　　Theano架构相当简单，整个代码库和接口是Python，其中C/CUDA代码被打包成Python字符串。对一个开发者来说这很难驾驭、调试和重构。

　　Theano开创了使用符号图来编程网络的趋势。Theano的符号API支持循环控制，即所谓的扫描，这使得实现RNN更容易、更高效。

　　Theano缺乏分布式应用程序管理框架，只支持一种编程开发语言。Theano是学术研究的一个很好的工具，在一个CPU上比TensorFlow更有效地运行。然而，在开发和支持大型分布式应用程序时，可能会遇到挑战。

　　开源或专有

　　随着深入学习的不断成熟，你将会发现TensorFlow，Caffe 2和MXNet之间的竞争是预料之中的。随着软件供应商开发具有最先进的智能产品，从而在你提供的数据中获得最大收益。风险是，你会购买一种产品，是建立在专有基础上的，还是建立在开源基础上的？有了开放源码，你会很难选择哪个深入学习框架是最适合的。在专有的方法中，你的退出策略是什么？我们不应以短期来看，因为，人工智能的回报在于其学习能力的成熟度。