深度学习框架都有哪些？
TensorFlow，Keras，PyTorch，MXnet，PaddlePaddle，Deeplearning4j，ONNX，Caffe，Theano
还有一些非主流的，比如MATLAB，Mathematica
作为资深玩家的我，前后使用了theano、caffe、tensoflow、pytorch、mxnet，完全凭自己的记忆和领悟回答一下这个问题：
深度学习框架有哪些：
深度学习框架作为算法工程师的必备工具，好比软件工程师的开发语言，前后至少有50多个，比较有名气的10来个，经过近10年的开发和发展，至今主要有两个框架，一个是google的tensorflow，一个是Facebook支持的pyTorch。有人喜欢拿keras和pytorch比，但事实上tensoflow完全支持keras。
如何选择
首先看你是什么群体，如果你是学生党，建议使用pytorch，因为你不需要太关心底层的实现，你只需要关注每个网络层的用法就行，最终把更多的时间用在模型网络优化和参数调整上面，这样Pytorch便于学生理解NN算法和快速实践。如果你是职业算法工程师，那我就建议tensorflow了，工作中基本上你对算法也熟悉了，更应该关注算法落地实现能力，比如，QPS性能、通信网络时延、网络结构优化、权重参数调优等等与计算机基础算法相关的工程能力。因为tensorflow本身就是先有工程需求再重构设计的，一般google大牛的理念还是很前沿的，这个可以参考theano的设计。
另外也要看你偏爱什么语言，虽然tensorflow和pytorch都有python接口调用，但tensorflow底层是c++写的，如果你很了解C++了，何必还去和只懂Python的朋友争论哪个好用呢，果断是tensorflow啊，哦不，你应该两个都懂。
最后表明一下我的立场，我喜欢tensorflow，有问题随时骚扰。
国际上广泛使用的开源框架包括谷歌的 TensorFlow、脸书的 Torchnet 和微软的 DMTK等， 美国仍是该领域发展水平最高的国家。我国基础理论体系尚不成熟，百度的 PaddlePaddle、 腾讯的 Angle 等国内企业的算法框架尚无法与国际主流产品竞争。
深度学习（Deep Learning）是机器学习中一种基于对数据进行表征学习的方法，深度学习的好处是用非监督式或半监督式的特征学习、分层特征提取高效算法来替代手工获取特征（feature）。目前研究人员正在使用的深度学习框架不尽相同，有 TensorFlow、Torch 、Caffe、Theano、Deeplearning4j等，这些深度学习框架被应用于计算机视觉、语音识别、自然语言处理与生物信息学等领域，并获取了极好的效果。
TensorFlow无疑是当前人气最高的明星产品：
TensorFlow是一款开源的数学计算软件，使用数据流图（Data Flow Graph）的形式进行计算。图中的节点代表数***算，而图中的线条表示多维数据数组（tensor）之间的交互。TensorFlow灵活的架构可以部署在一个或多个CPU、GPU的台式以及服务器中，或者使用单一的API应用在移动设备中。TensorFlow最初是由研究人员和Google Brain[_a***_]针对机器学习和深度神经网络进行研究所开发的，目前开源之后可以在几乎各种领域适用。
Data Flow Graph: 使用有向图的节点和边共同描述数学计算。graph中的nodes代表数学操作，也可以表示数据输入输出的端点。边表示节点之间的关系，传递操作之间互相使用的多位数组（tensors），tensor在graph中流动——这也就是TensorFlow名字的由来。一旦节点相连的边传来了数据流，节点就被分配到计算设备上异步的（节点间）、并行的（节点内）执行。
TensorFlow的特点：
机动性: TensorFlow并不只是一个规则的neural network库，事实上如果你可以将你的计算表示成data flow graph的形式，就可以使用TensorFlow。用户构建graph，写内层循环代码驱动计算，TensorFlow可以帮助装配子图。定义新的操作只需要写一个Python函数，如果缺少底层的数据操作，需要写一些C++代码定义操作。
可适性强: 可以应用在不同设备上，cpus，gpu，移动设备，云平台等
自动差分: TensorFlow的自动差分能力对很多基于Graph的机器学习算法有益
多种编程语言可选: TensorFlow很容易使用，有python接口和C++接口。其他语言可以使用SWIG工具使用接口。（SWIG—Simplified Wrapper and Interface Generator， 是一个非常优秀的开源工具，支持将 C/C++ 代码与任何主流脚本语言相集成。）
