一、Scikit-learn

优点：Scikit-learn 是一个完整的面向机器学习算法的计算库，内建了常见的传统机器学习算法支持，文档和案例也较为丰富；

缺点：Scikit-learn 并不是专门面向神经网络而设计的，不支持 GPU 加速，对神经网络相关层的实现也较欠缺。

（Scikit-learn是很多人入门深度学习的比较合适作第一个框架）

二、Caffe

优点：Caffe 的主要开发语言是 C++，也提供 Python 语言等接口，支持 GPU 和 CPU；

缺点：主要面向使用卷积神经网络的应用场合,并不适合其它类型的神经网络的应用；

（由于开发时间较早，在业界的知名度较高，2017年Facebook 推出了 Caffe 的升级版本 Cafffe2，Caffe2 目前已经融入到 PyTorch 库中。）

三、Torch

优点： Torch 是一个非常优秀的科学计算库,基于较冷门的编程语言 Lua 开发。Torch 灵活性较高，容易实现自定义网络层，这也是 PyTorch 继承获得的优良基因；

缺点：由于 Lua语言使用人群较少，Torch 一直未能获得主流应用。

四、PyTorch

优点：PyTorch 是 Facebook 基于原 Torch 框架推出的采用 Python 作为主要开发语言的深度学习框架。PyTorch采用命令式编程,使得搭建网络和调试网络非常方便。在 PyTorch 1.0 版本后,原来的 PyTorch 与 Caffe2进行了合并，弥补了 PyTorch 在工业部署方面的不足。

（总的来说,PyTorch 是一个非常优秀的深度学习框架。）

五、Keras

优点：Keras 是一个基于 Theano 和 TensorFlow 等框架提供的底层运算而实现的高层框架,提供了大量快速训练、测试网络的高层接口。对于常见应用来说，使用 Keras 开发效率非常高；

缺点：由于没有底层实现,需要对底层框架进行抽象，运行效率不高，灵活性一般。

六、TensorFlow

优点：TensorFlow 是 Google 于 2015 年发布的深度学习框架,最初版本只支持符号式编程。得益于发布时间较早，以及 Google 在深度学习领域的影响力，TensorFlow 很快成为最流行的深度学习框架。2019年，Google 推出 TensorFlow 2 正式版本，将以动态图优先模式运行，弥补了 TensorFlow 在上手难度方面的不足，使得用户既能轻松上手 TensorFlow 框架，又能无缝部署网络模型至工业系统，已获得业界的广泛认可。

总结：目前来看，TensorFlow 和 PyTorch 框架是业界使用最为广泛的两个深度学习框架，TensorFlow 在工业界拥有完备的解决方案和用户基础，PyTorch 得益于其精简灵活的接口设计，可以快速搭建和调试网络模型，在学术界获得好评如潮。