随着深度学习如火如荼的发展，越来越多的深度学习框架开始涌现出来，群雄逐鹿，鹿死谁手还未确定，基于现有团队的技术沉淀和应用场景的需求，进行框架选择是较为稳妥的方案。
1. TensorFlow
TensorFlow是Google推出的深度学习框架，Tensorflow让用户可以快速设计深度学习网络，将底层细节进行抽象，而不用耗费大量时间编写底层CUDA或C++代码。
官网链接：https://www.tensorflow.org/
2. CNTK
CNTK是微软开源的的深度学习框架，最早支撑语音识别的深度学习应用。它将神经网络描述成在有向图上的一系列计算步骤。在这个有向图中，叶子结点表示输入层或网络参数，其他的结点表示成在输入层上的矩阵操作。
官网：https://docs.microsoft.com/en-us/cognitive-toolkit/
3. Caffe2
Caffe2是一个应用广泛的深度学习框架，在Tensorflow发布之前一直是深度学习领域最为火热的项目。
Caffe2的核心概念是Layer，在深度神经网络中的每个模块都是一个Layer。Layer接收输入的向量化数据，经过计算后输出数据，Layer之间的组合与串联形成复杂的深度学习网络结构。
官网链接：https://caffe2.ai/
4. MXnet
MXNet是DMLC推出的一款开源深度学习框架，是亚马逊AWS主推的一款深度学习框架，AWS官方推荐使用MXNet进行深度学习编程。
扫描二维码关注公众号，回复：
1690321 查看本文章
官网链接：https://mxnet.apache.org/
5. Pytorch
Torch是运行在LuaJIT上的高效科学计算库，可以进行深度学习网络的训练和推断。Torch创建较早，在Facebook开源深度学习组件之后得以得到广泛应用。Torch底层通过C++开发，上层通过Lua脚本语言进行调用。
官网链接：http://pytorch.org/