原地址：https://www.leiphone.com/news/201702/T5e31Y2ZpeG1ZtaN.html
目前主流的的深度学习框架
主流深度学习框架包括Tensorflow、Caffe、Keras、CNTK、Torch7、MXNet、Leaf、Theano、Deeplearning4、Lasagne、Neon等等。
各个开源框架在 GitHub 上的数据统计
目前主流的深度学习平台均支持Python接口。
可以看出其中Tensorflow在关注度和用户数上占据绝对优势。这里简单介绍下Tensorflow平台。
Tensorflow
- 高阶机器学习库，核心代码用C++实现，核心代码提供C++接口，具有Python、Go、Java接口，通过SWIG实现。
- 支持自动求导。
- TensorFlow 也有内置的 TF.Learn 和 TF.Slim 等上层组件可以帮助快速地设计新网络,并且兼容 Scikit-learn estimator 接口，可以方便地实现 evaluate、grid search、cross validation 等功能
- 数据并行模式
TensorFlow 有独立的 Variable node,不像其他框架有一个全局统一的参数服务器，因此参数同步更自由。
- 灵活的移植性
可以将同一份代码几乎不经过修改就轻松地部署到有任意数量 CPU 或 GPU 的 PC、服务器或者移动设备上。
- 极快的编译速度
- 可视化组件：TensorBoard
TensorBoard 是 TensorFlow 的一组 Web 应用，用来监控 TensorFlow 运行过程，或可视化 Computation Graph。TensorBoard 目前支持五种可视化：标量（scalars）、图片（images）、音频（audio）、直方图（histograms）和计算图（Computation Graph）。TensorBoard 的 Events Dashboard 可以用来持续地监控运行时的关键指标，比如 loss、学习速率（learning rate）或是验证集上的准确率（accuracy）；Image Dashboard 则可以展示训练过程中用户设定保存的图片，比如某个训练中间结果用 Matplotlib 等绘制（plot）出来的图片；Graph Explorer 则可以完全展示一个 TensorFlow 的计算图，并且支持缩放拖曳和查看节点属性。
- 异构性：支持多种硬件平台和操作系统
- 分布式：16块GPU达到单块GPU的15倍性能，分布式通信基于socket的RPC，而不是速度更快的RDMA
- TensorFlow Serving：提供模型的导出功能，并部署成对外提供预测服务的RESTful接口。有了这个组件，TensorFlow 就可以实现应用机器学习的全流程：从训练模型、调试参数，到打包模型，最后部署服务.
TensorFlow Serving 是一个为生产环境而设计的高性能的机器学习服务系统。它可以同时运行多个大规模深度学习模型，支持模型生命周期管理、算法实验，并可以高效地利用 GPU 资源，让 TensorFlow 训练好的模型更快捷方便地投入到实际生产环境
