第乙個主流產品級深度學習庫，於 2014 年由 uc berkeley 啟動優點：快速、支援 gpu、漂亮的 matlab 和 python 介面
缺點：不靈活。在 caffe 中，每個節點被當做乙個層，因此如果你想要一種新的層型別，你需要定義完整的前向、後向和梯度更新過程。這些層是網路的構建模組，你需要在無窮無盡的列表中進行選擇。（相反，在 tensorflow 中，每個節點被當做乙個張量運算例如矩陣相加、相乘或卷積。你可以輕易地定義乙個層作為這些運算的組合。因此 tensorflow 的構建模組更小巧，允許更靈活的模組化
2017 年 1 月，facebook 將 python 版本的 torch 庫（用 lua 編寫）開源優點：
提供動態計算圖（意味著圖是在執行時生成的），允許你處理可變長度的輸入和輸出，例如，在使用 rnn 時非常有用，易於編寫自己的圖層型別
易於在 gpu 上執行
大量易於組合的模組化元件
缺點：正式文件以外的參考資料 / 資源有限
沒有良好的量化指標、移動性、服務性等
tensorflow先入為主導致pytorch移植成本太高
由較低階別的符號計算庫（如 theano）與較高階別的網路規範庫（如 blocks 和 lasagne）組合而成優點：
由谷歌開發、維護，因此可以保障支援、開發的持續性
巨大、活躍的社群
網路訓練的低階、高階介面
缺點：計算圖是純 python 的，因此速度較慢
圖構造是靜態的，意味著圖必須先被「編譯」再執行
keras 是乙個更高階、對使用者最友好的 api，具有可配置的後端，由 google brain 團隊成員 francis chollet 編寫和維護優點：
提供高階 api 來構建深度學習模型，使其易於閱讀和使用
編寫規範的文件
大型、活躍的社群
位於其他深度學習庫（如 theano 和 tensorflow，可配置）之上
使用物件導向的設計，因此所有內容都被視為物件（如網路層、引數、優化器等）。所有模型引數都可以作為物件屬性進行訪問。
缺點：由於用途非常普遍，所以在效能方面比較欠缺
與 tensorflow 後端配合使用時會出現效能問題（因為並未針對其進行優化），但與 theano 後端配合使用時效果良好
不像 tensorflow 或 pytorch 那樣靈活
對比主流深度學習框架
現在的主要的框架主要是呈以上的排名分部 tensorflow theano keras lasagne caffe dsstne torch mxnet dl4j cognitive toolkit主要是有以上這十種框架。是乙個基於資料流程式設計 dataflow programming 的符號數學...
深度學習框架
近一年來，深度學習的風起雲湧，產生了許多令人興奮的成果，同時，深度學習框架也是百家爭鳴。經過這一年的觀察，tensorflow 似乎成為了一種潮流，並且越來越多的框架開始為 keras 提供支援，它可能會成為一種標準。今後選擇keras框架作為深度學習的目標。keras 被認為是構建神經網路的未來，...
深度學習 經典網路對比
1 alexnet 相比於傳統的cnn 的改動 1.資料增強 2 dropout 3 relu 啟用函式 4 local response normalization 區域性響應歸一化，利用臨近的資料做歸一化 6 多gpu 並行 2 vgg 很好的繼承了alexnet 更深 3 googlenet ...