非常专业的一个问题。
深度学习框架是帮助使用者进行深度学习的工具，它的出现降低了深度学习入门的门槛，你不需要从复杂的神经网络开始编代码，就可以根据需要使用现有的模型。
做个比喻，一套深度学习框架就像是一套积木，各个组件就是某个模型或算法的一部分，使用者可以自己设计和组装符合相关数据集需求的积木。
当然也正因如此，没有什么框架是完美的，就像一套积木里可能没有你需要的那一种积木，所以不同的框架适用的领域不完全一致。
深度学习的框架有很多，这里帮你罗列几个：
CaffeCaffe是最成熟的框架之一，由Berkeley Vision and Learning Center开发。它是模块化的，而且速度非常快，并且只需要很少的额外工作就可以支持多个GPU。它使用类似JSON的文本文件来描述网络架构以及求解器方法。
此外，在一个可以下载Caffe模型以及网络权重的网站——“model zoo”中，还可以帮助你快速地准备样本。但是，需要注意的是，在Caffe框架中，要调整超参数比其他框架更为繁琐，部分原因是需要为每组超参数单独定义不同的求解器和模型文件。
▲ 使用Caffe编写的LeNet CNN实现代码示例
上图是LeNet CNN架构的代码片段，该模型由卷积最大池化（convolution max pooling）和激活层组成的7层卷积网络构成。
Deeplearning4jDeeplearning4j是由Andrej Karpathy开发的、支持GPU的多平台框架，它是用Java编写的，并拥有一个Scala
API。Deeplearning4j也是一个成熟的框架（用Lua编写），在互联网上有许多可以使用的样本，并且支持多个GPU。
TensorflowTensorflow是一个由谷歌开发的、相对比较新的框架，但已经被广泛采用。它性能良好，支持多个GPU和CPU。Tensorflow提供了调整网络和监控性能的工具，就像Tensorboard一样，它还有一个可用作网络应用程序的教育工具。
TheanoTheano是使用符号逻辑创建网络的框架，是以Python编写的，但利用了numpy的高效代码库，从而提高了性能，超过了标准的Python。Theano在构建网络方面有很大的优势，但是在创造完整的解决方案中则具有比较大的挑战。Theano将机器学习中使用的梯度计算作为网络创建的“免费”副产品，对于那些希望更多地关注网络架构而不是梯度计算的人来说，这可能是有用的。此外，它的文本文件质量也相当不错。
但需要提醒大家的一点是，Theano目前已停止更新。
LasagneLasagne是用Python编写的，建立在Theano之上的框架。它是一个相对简单的系统，能够使得网络构建比直接使用Theano更容易。因此，其表现极大地反映了Theano的潜能。
KerasKeras是用Python编写的框架，可以作为Theano或Tensorflow的后端（如下图）。这使得Keras在构建完整的解决方案中更容易，而且因为每一行代码都创建了一个网络层，所以它也更易于阅读。此外，Keras还拥有最先进算法（优化器（optimizers）、归一化例程（normalization
routines）、激活函数（activation functions））的最佳选择。
需要说明的是，虽然Keras支持Theano和Tensorflow后端，但输入数据的维度假设是不同的，因此需要仔细的设计才能使代码支持两个后端工作。该项目有完备的文本文件，并提供了一系列针对各种问题的实例以及训练好了的、用于传输学习实现常用体系的结构模型。
在编写的时候，有消息宣称Tensorflow将采用Keras作为首选的高级包。其实，这并不奇怪，因为Keras的开发者Francois Chollet本身就是谷歌的软件工程师。
▲ 使用Keras编写的LeNet CNN实现代码示例
MXNetMXNet是一个用C
++编写的深度学习框架，具有多种语言绑定，并支持分布式计算，包括多GPU。它提供对低级结构以及更高级/符号级API的访问。在性能上被认为可以与Tensorflow、Caffe等在内的其他框架匹敌。GitHub中提供了很多关于MXNet的教程和培训示例。
Cognitive Network Toolkit （CNTK）CNTK是由微软开发的框架，并被描述为机器学习的“Visual Studio”。对于那些使用Visual Studio进行编程的人，这可能是一种更温和、更有效的进入深度学习的方式。
DIGITSDIGITS是由英伟达开发的，一款基于网络的深层开发工具。在很多方面，它像Caffe一样，能够使用文本文件而不是编程语言来描述网络和参数。它具有网络可视化工具，因此文本文件中的错误更容易被识别出来。此外，它还具有用于可视化学习过程的工具，并支持多个GPU。
TorchTorch是一款成熟的机器学习框架，是用C语言编写的。它具有完备的文本，并且可以根据具体需要进行调整。由于是用C语言编写的，所以Torch的性能非常好。
PyTorchPyTorch是Torch计算引擎的python前端，不仅能够提供Torch的高性能，还能够对GPU的提供更好支持。该框架的开发者表示，PyTorch与Torch的区别在于它不仅仅是封装，而是进行了深度集成的框架，这使得PyTorc在网络构建方面具有更高的灵活性。（如下图）
▲ PyTorch代码示例和等效方框图
ChainerChainer与其他框架有点不同，它将网络构建视为其计算的一部分。它的开发者介绍说，在这一框架中，大多数工具都是“定义然后运行”，这意味着你要定义架构，然后才能运行它。Chainer尝试构建并优化其架构，使其成为学习过程的一部分，或者称之为“通过运行定义”。
其他除了上述的深度学习框架之外，还有更多的专注于具体任务的开源解决方案。例如，Nolearn专注于深度信念网络（deep belief
networks）；
Sklearn-theano提供了一个与scikit-learn（即Python中一个重要的机器学习的库）匹配的编程语法，可以和Theano库配合使用；Paddle则可以提供更好的自然语言处理能力……
