目錄

• • 1、前言
  • 2、性能分析
  • 3、問題探討

隨著“大數據時代”的到來和計算能力的提升，深度學習成為了一種很火的新科技。已經成功的應用到了很多個領域中。包括“計算機視覺”“語音識別”“自然語言處理”等。為了進行高效的開發一個深度學習系統，許多大型科技公司都推出了自己的深度學習框架。而且，最近這段時間接二連三的有新的“深度學習”框架推出。自己感覺有必要做一個總結，來收集一下這些深度學習框架。

但是，在此同時，我有一個問題，真的需要這么多的深度學習框架嗎？在科技領域為什么看不到合作呢？眾多的深度學習框架，企業和個人如何選擇一個適合自己的框架呢？

以下，我將圍繞著幾個問題展開整篇博客的內容。

1、前言

首先，讓我們看一下，當前都有哪些深度學習框架？我會列出相應的鏈接，方便大家的訪問。(我會不斷地更新這個列表)

1.Tensorflow – https://www.tensorflow.org/
github – https://github.com/tensorflow/tensorflow

2.Caffe – http://caffe.berkeleyvision.org/
github – https://github.com/BVLC/caffe

3.Theano – http://deeplearning.net/software/theano/install.html
github – https://github.com/Theano/Theano

4.keras – https://keras.io/
github – https://github.com/fchollet/keras

5.Torch – http://torch.ch/
github – https://github.com/torch/torch7

6.Lasagne – http://lasagne.readthedocs.io/en/latest/
github – https://github.com/Lasagne/Lasagne

7.MXNet – http://mxnet.io/
github – https://github.com/dmlc/mxnet

8.DIGITS – https://developer.nvidia.com/digits
github – https://github.com/NVIDIA/DIGITS

9.CNTK – https://cntk.codeplex.com/
github – https://github.com/Microsoft/CNTK

10.PaddlePaddle – http://www.paddlepaddle.org/
github – https://github.com/PaddlePaddle/Paddle

11.Deeplearning4j – https://github.com/deeplearning4j/
deeplearning4j

12.tensorlayer – http://tensorlayer.readthedocs.io/en/latest/
github – https://github.com/zsdonghao/tensorlayer

13.TFLearn – http://tflearn.org/tutorials/
githu – https://github.com/tflearn/tflearn

14.caffe2 – https://caffe2.ai/
github – https://github.com/caffe2/caffe2

15.pytorch – http://pytorch.org/
github – https://github.com/pytorch/pytorch

16.Leaf – http://autumnai.com/leaf/book/
github – https://github.com/autumnai/leaf

17.Chainer – http://chainer.org/
github – https://github.com/pfnet/chainer

18.DSSTNE
github – https://github.com/amznlabs/amazon-dsstne

19.Neon
github – https://github.com/NervanaSystems/neon

2、性能分析

接下來，讓我們簡單的比較一下它們的性能，能存在總會有理由的，它們都有自己的特點。
以下的表格是一個有關于各個深度學習框架的一個對比：

注：
1.從這個表格我們可以看出，當前比較受歡迎的深度學習框架包括：tensorflow、caffe、keras、CNTK、MXNet、Torch、Theano。工業界中常用的包括：tensorflow、caffe、CNTK、MXNet、Torch。學術界常用的包括：keras、theano。

2.這個表格中的部分數據來自于互聯網，可能存在著一定的誤差嗎，但是總的來說具有一定的參考價值。

3、問題探討

通過上面的表格，我們會發現有很多的深度學習框架。那么，我們該如何選擇一個適合自己的深度學習框架呢？你需要根據你自己的實際需要選擇合適的框架。需要考慮的主要因素包括：開發語言、硬件平臺、操作系統等

> a. 開發語言 > 通過上面的表格我們可以總結出深度學習支持的開發語言包括： >Python/C++/R/Julia/Scala/Go/Javascript/Perl/Matlab >/Lua/Cuda/JAVA/Rust等。但是最常用的兩種開發語言是：Python和C++。主要的原因如下所示： > > 1） python非常簡單，很容易上手，但是運行的效率比較低，因此常用來快速的搭建深度學習中的網絡模型。 > 2）C++的語法眾多，需要自己分配并處理內容，開發代碼冗長，但是運行效率很高，因此常用來作為深度學習中的終端引擎來使用。 > 如果你自己不熟悉Python或者C++，你可以使用的框架就非常的有限； > 如果你熟悉Python或者C++,你幾乎可以使用任何一種深度學習框架； > 如果你是一名JAVA愛好者，你更可能會選擇利用Deeplearning來進行開發。 > > 因此，開發語言是一個限制你使用深度學習框架的一個關鍵因素。你需要根據你自己的實際情況選擇。 > > b. 硬件平臺 > 通過上面這個表格，我們可以總結出當前的深度學習框架支持的硬件平臺包括：CPU、GPU、Andriod、IOS、FPGA、ARM等多種平臺。 > 如果你的電腦不支持GPU，你就只能選擇其他的平臺； > 如果你自己擅長GPU，你可以使用的框架就很多； > 如果你的項目制定的硬件是FPGA，你能使用的框架就會受到限制。 > > 因此，這也是一個限制你使用框架的關鍵因素。你需要根據自己的需要以及項目的需要去進行選擇。 > > c. 操作系統 > 當前，這些框架支持的系統主要包括：Linux、Mac、Windows。幾乎包括了所有的操作系統。但是對應不同的框架所支持的操作系統有很多不同。 > 如果你熟悉Linux系統，那么你幾乎可以使用任何一個框架。 > 如果你想在Windows下使用這些框架，那么你就會受到很大的限制。同時會出現很多莫名其妙的問題。 > > 因此，你需要選擇一個合適的操作系統，這可能會影響你的開發進程和使用的框架的數目。 > > d. 分布式系統 > 分布式系統可以將一個很大的任務分割開來，在不同的主機上進行運行，這可以大大的提高訓練的速率，加快整個開發的過程。這對于大模型的訓練具有至關重要的作用。當前對分布式系統有很好的支持的框架包括：tensorflow、CNTK、MXNet、Torch、Caffe。都有強大的后臺。 > 如果你訓練的數據量很少，你可以選擇使用單片CPU或者單片GPU； > 如果你訓練的數據量較大，你可以選擇使用多塊CPU或者多塊GPU； > 如果你訓練的數據量很大，你就需要使用到云服務器或者一個分布式系統集群。 > > 因此，這也是一個影響你選擇框架的一個因素。 > 總之，你需要綜合考慮多個因素選擇一個合適的深度學習框架。

這里我想要提出一個問題！！

> 我的問題是：為什么不能將這些框架整合起來，做一個大的框架，支持所有的系統，支持所有的語言，支持所有的平臺，最重要的是只要一個？ > 這里的框架水平不一，但是它們的存在是由理由的。它們或多或少的都有自己的優勢，何必單干呢。深度學習已經是一個趨勢，應該建立一個國際組織，負責制定一個標準，收集他們的長處，做一個高性能的框架，這樣不是更高效嘛。使用者也不再需要糾結使用哪一種框架。開發商也不需要進行獨自的開發，維護。同時可以讓更多的愛好者來共同維護它。這可能需要時間吧！希望這個愿望可以實現！注意事項 [1] 該博客是本人原創博客，如果您對該博客感興趣，想要轉載該博客，請與我聯系（qq郵箱：1575262785@qq.com）,我會在第一時間回復大家，謝謝大家的關注。 [2] 由于個人能力有限，該博客可能存在很多的問題，希望大家能夠提出改進意見。 [3] 如果您在閱讀本博客時遇到不理解的地方，希望您可以聯系我，我會及時的回復您，和您交流想法和意見，謝謝。 **[4] 本人業余時間承接各種本科畢設設計和各種小項目，包括圖像處理（數據挖掘、機器學習、深度學習等）、matlab仿真、python算法及仿真等，有需要的請加QQ：1575262785詳聊！！！**

總結

以上是生活随笔為你收集整理的深度学习框架汇总的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。