本专栏是网易云课堂人工智能课程《神经网络与深度学习》的学习笔记，视频由网易云课堂与 deeplearning.ai 联合出品，主讲人是吴恩达 Andrew Ng 教授。感兴趣的网友可以观看网易云课堂的视频进行深入学习，视频的链接如下：

神经网络和深度学习 - 网易云课堂

也欢迎对神经网络与深度学习感兴趣的网友一起交流 ~

目录

1 TensorFlow

2 Caffe

3 PyTorch

4 PaddlePaddle

---

        对于大型神经网络，例如卷积神经网络、循环神经网络等，从零开始实现并不现实。幸运的是，现在有许多成熟的深度学习框架（Deep learning framework），可以帮助实现这些模型。

 

• Caffe/Caffe2
• CNTK
• DL4J
• Keras
• Lasagne
• mxnet
• PaddlePaddle
• TemsorFlow
• Theano
• Torch

        深度学习框架选择的一个重要标准是便于编程，这包括神经网络的开发和迭代；另一个重要的标准运行速度，在训练大数据集时，一些框架能让你更高效地运行和训练神经网络；第三个标准是深度学习框架是否开源，以及是否继续管理与维护。

1 TensorFlow

        TensorFlow 是谷歌公司开发的开源深度学习框架，与 2015 年首次发布，它的名字来自其工作原理——张量（tensor）与数据流图（flow）的计算，TensorFlow 将数据流图（Data Flow Graphs）应用于多维数据的计算。

        TensorFlow 具有灵活的架构，可以在不同的平台上展开运算， 同时，TensorFlow 提供 CPU 版本和 GPU 版本，支持最大化系统性能。对于 GPU 版本，TensorFlow 会优先使用 GPU 执行指令。

        TensorFlow 的安装与使用说明可以在 TensorFlow 官网 上查询。

2 Caffe

        Caffe 是伯克利视觉学习中心开发的深度学习框架，具有模块化、表达力强、运算速度快的特点。Caffe 已被广泛应用于计算机视觉、语音识别、自然语言处理等领域。

        Caffe 的核心模块有 3 个，分别是 Blobs、Layers 和 Nets。Blobs 用于存储数据，Caffe 通过 Blobs 统一制定了数据内存的接口；Layers 是神经网络的核心，用于定义层级结构，Blobs 是 Layers 的输入或输出；Nets 是一系列 Layers 的集合，Layers 通过连接形成 Nets。

3 PyTorch

        PyTorch 是 Torch 的 Python 版本，是 Facebook 公司开发的开源神经网络框架。PyTorch 使用 Numpy 的方法来表示多维数据，可以利用 GPU 加速训练。

        与 TensorFlow 的静态计算图不同，PyTorch 的计算图是动态的，可以根据计算需要实时改变计算图。熟悉 Numpy 的开发者可以很快上手 PyTorch 神经网络的搭建，同时 PyTorch 中的数组对象和 Numpy 中的数组对象也可以无缝对接。

4 PaddlePaddle

        PaddlePaddle 的前身是百度 2013 年研发的深度学习平台，自 2016 年起正式向专业社区开放。PaddlePaddle 是一个开放平台，支持 CPU 与 GPU 的计算，在百度的主要产品和服务中发挥不可或缺的作用，例如图像识别分类、机器翻译、自动驾驶等领域。

        PaddlePaddle 将词表示成 One-hot Vector，从而能够进行词与词之间的计算，在文本情感分析、用户个性化信息推荐等场景具有优势。