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。

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/

［想关注更多A(AI)B(Big Data)C(Cloud)技术，请大家关注公众号

“ABC技术研习社”(gh_5b3d235f330f)和知乎专栏！]