理工酷

1.Caffe Caffe是由伯克利视觉与学习中心（BVLC）开发的一个深度学习框架。它是模块化的，速度非常快，被学术界用于最先进的应用程序中。 虽然Caffe本身不是Python库，但它提供了到Python的绑定。我之所以把Caffe列入其中，是因为它几乎无处不在。 你可以在一个名为.prototxt配置文件的类似JSON的纯文本文件中定义模型体系结构和解算器方法。Caffe二进制文件接收这些.prototxt文件并训练你的网络。在Caffe完成训练后，你可以通过Caffe二进制文件（或者更好的是，通过Python或matlabapi）使用你的网络对新图像进行分类。 我认为Caffe的性能是很好的（在k40gpu上每天可以处理6000万张图像），但是它和Keras或mxnet相比有些缺点。主要原因是不适合在.prototxt文件中构建一个体系结构，而且用Caffe调整超参数比较麻烦，所以，我更倾向于使用允许我在基于Python的API中实现端到端网络（包括交叉验证和超参数调优）的库。 2.Theano 如果没有Theano，今天就不会有这么多的深度学习库。Theano是一个Python库，用于定义、优化和计算涉及多维数组的数学表达式。Theano通过与NumPy的紧密集成和GPU的透明使用来实现这一点。 虽然你可以在Theano中构建深度学习网络，但我倾向于认为Theano是神经网络的构建块，就像NumPy是科学计算的构建块一样。虽然不是一个完美的比较，但在Theano中构建一个卷积神经网络就像用本地Python编写一个定制的支持向量机（SVM），且只需少量NumPy。 3. TensorFlow TensorFlow是一个使用数据流图进行数值计算的开源代码库（这是神经网络的全部功能）。该库最初由谷歌机器智能研究组织团队的研究人员开发，此后它一直是开源的，并向公众开放。 TensorFlow的一个主要优点（与Theano相比）是分布式计算，尤其是在多个GPU之间。 4. Keras 如果必须选择一个最受欢迎的深度学习Python库，我认为Keras可能会胜出。 Keras是一个极简的、模块化的神经网络库，可以使用Theano或TensorFlow作为后端。Keras背后的主要动机是，能够快速地进行实验，并尽可能快地从一个想法转变为结果。 在Keras中构建网络感觉简单自然。它包括一些最新的优化算法（Adam、RMSProp）、规范化（BatchNorm）和激活层（PReLU、ELU、LeakyReLU）。 Keras还把重点放在了卷积神经网络上，我认为从计算机视觉的角度来看，这是非常有价值的。更重要的是，你可以轻松地构建基于序列的网络（输入线性流经网络）和基于图形的网络（其中输入可以“跳过”某些层，只在稍后连接）。这使得实现更复杂的网络架构（如GoogLeNet和SqueezeNet）更加容易。