下面我們來對深度學習中的各個框架的特點進行介紹
1.TensorFlow框架
tensorflow是用c++語言開發的，同時支援C，java，python等多種語言多的呼叫，目前主流的方式通常會使用python語言進行驅動應用。利用c++語言可以保證其執行效率，python語言作為其上層應用語言，可以為研究人員節省大量的時間。
Tensorflow與CNTK，MXNET，theano同屬於符號計算架構，允許使用者在不需要使用低階語言實現的情況下，開發出新的複雜層型別。基於圖運算是其最主要的特點，通過圖上的節點變數可以控制訓練中各個環節的變數，尤其在需要進行底層操作時，Tensorflow要比其他的框架更容易些。雖然Tensorflow在大型計算機叢集中的並行處理，運算效能略低於CNTK，但是在個人機器使用場景下，可以根據機器的配置自動選擇CPU或者GPU來進行計算。
2.Theano
Theano是一個十餘年的python深度學習和機器學習框架，用來定義，優化和模擬數學表示式計算，用於高效的解決多為陣列的計算問題，有較好的擴充套件性。
3.Torch
Torch同樣具有很好的擴充套件性，但是有些介面不夠全面，比如WGAN-OP這樣的網路需要手動計算來修改梯度沒有對應的介面。其最大的缺點是，需要LuauJIT的支援，用於Lu語言，在python流行的今天，通用效能方面比較差。
4.Keras
keras可以理解為一個Theano框架和tensorflow前端的一和個組合。其構建模型的api呼叫方式漸漸成為了主流，包括Tensorflow，CNTK，MXNet等知名框架，都提供對keras呼叫語法的支援。使用keras編寫的程式碼，會有更好的可移植性。
5.DeepLearning4j
DeepLearning4j是基於java語言和Scala語言開發的，應用在Hadoop和spark系統之上的深度學習軟體。
6.Caffe
最初caffe是一個強大的影像分類框架，是最容易測試和評估效能的標準深度學習框架，並且提供了很多訓練好的模型，尤其是該模型的複用價值在其他的框架中都會出現，大大提升了現有模型的訓練時間。但是Caffe更新緩慢。
7.MXNet
MXNet是一個可移植的，可伸縮的深度學習庫，具有Torch，Theano和caffe的部分特性。在不同程度上面支援Python，R，Scala，Julia和C++語言，也是目前比熱門的主流框架之一。
8.CNTK
CNTK是一個微軟開發的深度學習軟體包，以速度塊兒著稱，運用獨特的神經網路配置語言Brain Script，大大的降低了學習成本。有微軟作為後盾，CNTK成為最具有潛力的深度學習框架之一。目前的成熟度和Tensorflow相比有較大的差距，但是其與Visual Studio的耦合，以及特定的MS程式設計風格，使得熟悉VS的小夥伴極容易上手。