選擇什麼深度學習框架一直是開發者非常關心的一個話題，而且深度學習框架之間的「戰爭」也越來越激烈。過去一段時間，機器之心發過多篇機器學習框架的對比文章，但隨著 Python 逐漸成為機器學習社群最受歡迎的語言，支援 Python 的深度學習框架的效能也值得關注。Indico Data Solutions 的 CTO Madison May 根據他們公司在產品和開發過程中的經驗對 7 大 Python 深度學習框架進行了對比，希望這篇文章能對機器之心的讀者有所幫助。
最近我無意間在「Best Python library for neural networks」話題下發現了一個我以前的資料科學棧交換（Data Science Stack Exchange）的答案，並且 Python 深度學習生態系統在過去兩年半中的演變打擊到了我。我在 2014 年 7 月推薦的庫，pylearn2，已經不再被積極地開發或者維護，大量的深度學習庫開始接替它的位置。這些庫每一個都各有千秋。我們已經在 indico 的產品或者開發中使用了以下列表中的大部分的技術，但是對於剩下一些我們沒有使用的，我將會借鑑他人的經驗來幫助給出 2017 年 Python 深度學習生態系統的清晰的、詳盡的理解。
確切地說，我們將會關注：
Theano
Lasagne
Blocks
TensorFlow
Keras
MXNet
PyTorch
下面是對這 7 大 Python 深度學習框架的描述以及優缺點的介紹，而且也為每個框架的使用推薦了一些資源，但因微信不支援外網連結，讀者們請點選閱讀原網址檢視資源。
Theano
連結：https://github.com/Theano/Theano
描述：Theano 是一個 Python 庫，允許你定義、優化並且有效地評估涉及到多維陣列的數學表示式。它與 GPUs 一起工作並且在符號微分方面表現優秀。
文件：http://deeplearning.net/software/theano/
概述：Theano 是數值計算的主力，它支援了許多我們列表當中的其他的深度學習框架。Theano 由 Frédéric Bastien 建立，這是蒙特利爾大學機器學習研究所（MILA）背後的一個非常優秀的研究團隊。它的 API 水平較低，並且為了寫出效率高的 Theano，你需要對隱藏在其他框架幕後的演算法相當的熟悉。如果你有著豐富的學術機器學習知識，正在尋找你的模型的精細的控制方法，或者想要實現一個新奇的或者不同尋常的模型，Theano 是你的首選庫。總而言之，為了靈活性，Theano 犧牲了易用性。
優點：
靈活
正確使用時的高效能
缺點：
較高的學習難度
低水平的 API
編譯複雜的符號圖可能很慢
Lasagne
連結：https://github.com/Lasagne/Lasagne
描述：在 Theano 上建立和訓練神經網路的輕量級庫
文件：http://lasagne.readthedocs.org/
概述：因為 Theano 致力於成為符號數學中最先且最好的庫，Lasagne 提供了在 Theano 頂部的抽象，這使得它更適合於深度學習。它主要由當前 DeepMind 研究科學家 Sander Dieleman 編寫並維護。Lasagne 並非是根據符號變數之間的函式關係來指定網路模型，而是允許使用者在層級思考，為使用者提供了例如「Conv2DLayer」和「DropoutLayer」的構建塊。Lasagne 在犧牲了很少的靈活性的同時，提供了豐富的公共元件來幫助圖層定義、圖層初始化、模型正則化、模型監控和模型訓練。
優點：
仍舊非常靈活
比 Theano 更高階的抽象
文件和程式碼中包含了各種 Pasta Puns
缺點：
社群小
Blocks
連結：https://github.com/mila-udem/blocks
描述：用於構建和訓練神經網路的 Theano 框架
文件：http://blocks.readthedocs.io/en/latest/
概述：與 Lasagne 類似，Blocks 是在 Theano 頂部新增一個抽象層使深度學習模型比編寫原始的 Theano 更清晰、更簡單、定義更加標準化。它是由蒙特利爾大學機器學習研究所（MILA）編寫，其中一些人為搭建 Theano 和第一個神經網路定義的高階介面（已經淘汰的 PyLearn2）貢獻了自己的一份力量。比起 Lasagne，Blocks 靈活一點，代價是入門臺階較高，想要高效的使用它有不小的難度。除此之外，Blocks 對遞迴神經網路架構（recurrent neural network architectures）有很好的支援，所以如果你有興趣探索這種型別的模型，它值得一看。除了 TensorFlow，對於許多我們已經部署在 indico 產品中的 API，Blocks 是其首選庫。
優點：
仍舊非常靈活
比 Theano 更高階的抽象
易於測試
缺點：
較高的學習難度
更小的社群
TensorFlow
連結：https://github.com/tensorflow/tensorflow
描述：用於數值計算的使用資料流圖的開源軟體庫
文件：https://www.tensorflow.org/api_docs/python/
概述：TensorFlow 是較低階別的符號庫（比如 Theano）和較高階別的網路規範庫（比如 Blocks 和 Lasagne）的混合。即使它是 Python 深度學習庫集合的最新成員，在 Google Brain 團隊支援下，它可能已經是最大的活躍社群了。它支援在多 GPUs 上執行深度學習模型，為高效的資料流水線提供使用程式，並具有用於模型的檢查，視覺化和序列化的內建模組。最近，TensorFlow 團隊決定支援 Keras（我們列表中下一個深度學習庫）。雖然 TensorFlow 有著自己的缺點，但是社群似乎同意這一決定，社群的龐大規模和專案背後巨大的動力意味著學習 TensorFlow 是一次安全的賭注。因此，TensorFlow 是我們今天在 indico 選擇的深度學習庫。
優點：
由軟體巨頭 Google 支援
非常大的社群
低階和高階介面網路訓練
比基於 Theano 配置更快的模型編譯
完全地多 GPU 支援
缺點：
雖然 Tensorflow 正在追趕，但是最初在許多基準上比基於 Theano 的慢。
RNN 支援仍不如 Theano
Keras
連結：https://github.com/fchollet/keras
描述：Python 的深度學習庫。支援 Convnets、遞迴神經網路等。在 Theano 或者 TensorFlow 上執行。
文件：https://keras.io/
概述：Keras 也許是水平最高，對使用者最友好的庫了。由 Francis Chollet（Google Brain 團隊中的另一個成員）編寫和維護。它允許使用者選擇其所構建的模型是在 Theano 上或是在 TensorFlow 上的符號圖上執行。Keras 的使用者介面受啟發於 Torch，所以如果你以前有過使用 Lua 語言的機器學習經驗，Keras 絕對值得一看。由於部分非常優秀的文件和其相對易用性，Keras 的社群非常大並且非常活躍。最近，TensorFlow 團隊宣佈計劃與 Keras 一起支援內建，所以很快 Keras 將是 TensorFlow 專案的一個分組。
優點：
可供選擇的 Theano 或者 TensorFlow 後端
直觀、高階別的埠
更易學習
缺點：
不太靈活，比其他選擇更規範
MXNet
連結：https://github.com/dmlc/mxnet
描述：MXNet 是一個旨在提高效率和靈活性的深度學習框架。
文件：http://mxnet.io/api/python/index.html#python-api-reference
概述：MXNet 是亞馬遜（Amazon）選擇的深度學習庫，並且也許是最優秀的庫。它擁有類似於 Theano 和 TensorFlow 的資料流圖，為多 GPU 配置提供了良好的配置，有著類似於 Lasagne 和 Blocks 更高階別的模型構建塊，並且可以在你可以想象的任何硬體上執行（包括手機）。對 Python 的支援只是其冰山一角—MXNet 同樣提供了對 R、Julia、C++、Scala、Matlab，和 Javascript 的介面。如果你正在尋找最佳的效能，選擇 MXNet 吧，但是你必須願意處理與之相對的一些 MXNet 的怪癖。
優點：
速度的標杆
非常靈活
缺點：
最小的社群
比 Theano 更困難的學習難度
PyTorch
連結：https://github.com/pytorch/pytorch
描述：Python 中的張量（Tensors）和動態神經網路，有著強大的 GPU 加速。
文件：http://pytorch.org/docs/
概述：剛剛放出一段時間，PyTorch 就已經是我們 Python 深度學習框架列表中的一個新的成員了。它是從 Lua 的 Torch 庫到 Python 的鬆散埠，由於它由 Facebook 的 人工智慧研究團隊（Artificial Intelligence Research team (FAIR)）支援且因為它用於處理動態計算圖（Theano，TensorFlow 或者其他衍生品沒有的特性，編譯者注：現在 TensorFlow 好像支援動態計算圖），它變得非常的有名。PyTorch 在 Python 深度學習生態系統將扮演怎樣的角色還不得而知，但所有的跡象都表明，PyTorch 是我們列表中其他框架的一個非常棒的選擇。
優點:
來自 Facebook 組織的支援
完全地對動態圖的支援
高階和低階 API 的混合
缺點：
比其他選擇，PyTorch 還不太成熟（用他們自己的話說—「我們正處於早期測試版本。期待一些冒險」）
除了官方文件以外，只有有限的參考文獻/資源