不。

轻松快速地实现神经网络的关键是具有自动微分功能。这是允许使用 Python 库（如Pytorch或Tensorflow（和Keras））的程序仅实现神经网络的前向传递并自动计算后向传递的关键特性。

Octave 没有自动微分功能。虽然 Matlab 的深度学习工具箱似乎包含自动微分，但我认为 Octave 不包含它。即使是这样，深度学习社区也主要关注 Python 生态系统，相比之下，其他环境如 R 或 Matlab 几乎没有受到关注。

据我所知，GNU Octave 是 Matlab 的开源替代品。尽管您可以将 Octave 用于机器学习（nnet 包），但我怀疑您是否可以将其用于神经网络的“更快编码”。

以下是我对为什么会这样的想法：
当您说“快速”时，有两种解释，快速编写代码和编写快速代码。

• 快速编写代码：击败任何 python 库似乎都是一项艰巨的任务，尤其是 keras。我不得不承认，我从未使用过 Octave（但我有使用 Matlab 的经验），但我怀疑你是否可以比使用 keras 或 pytorch 更快地编写一个简单的网络模型 + 训练/评估循环。
• 编写快速代码：当涉及大量数值计算或立即在 C++ 中实现功能时，大多数库都会退回到快速 C++ 例程（BLAS / LAPACK）。我认为 Octave 也是如此。您可能知道 GPU 是当今解决大型问题的方法，因为它们在深度学习方面比 CPU 快得多，我不确定您是否可以将 GPU 与 Octave 一起使用。如果没有，这肯定是一个巨大的劣势。

最后，您必须决定快速对您意味着什么以及您希望实现什么。以下是当前深度学习库的快速概览。这是最近的一篇论文，它在 CPU 和 GPU 的速度方面对 TensorFlow、Caffe、Torch 和 Theano 进行了基准测试。不幸的是，我没有在 python (TF,Torch, ...) 和 Octave (nnet) / Matlab (Deep Learning Toolbox) 之间找到任何比较。

不。

深度学习社区绝大多数都使用 Python 作为一种语言。PyTorch（由 Facebook 维护）和 Tensorflow（由 Google 维护）是主要的两个框架。由于这两个框架最终都绑定在 C++ 代码之上，因此很难超越它们为您提供的性能。

R 有一些神经网络包，Java 和 Julia 也有，我相信其他语言也有。但是根本没有合理的证据表明为什么你不应该使用 Python 进行深度学习。

我只能看到两个不使用 Python 进行深度学习的正当理由：

1. 您别无选择，必须使用另一种语言
2. 您可以使用您选择的语言从头开始编写数值稳定、硬件加速的深度学习框架。

此外，您实际上不再需要“编码”神经网络。框架为您完成繁重的工作。他们已经优化了几乎所有你想要创建你想要的神经网络的实现。