这是一个很大的过度简化，但今天基本上有两种类型的机器学习库可用：

1. 深度学习（CNN、RNN、全连接网络、线性模型）
2. 其他一切（SVM、GBM、随机森林、朴素贝叶斯、K-NN 等）

这样做的原因是深度学习比其他更传统的训练方法计算密集得多，因此需要对库进行高度专业化（例如，使用 GPU 和分布式功能）。如果您正在使用 Python 并且正在寻找具有最广泛算法的包，请尝试 scikit-learn。实际上，如果您想使用深度学习和更传统的方法，您将需要使用多个库。没有“完整”的包。

TensorFlow 特别适用于深度学习，即具有大量层和奇怪拓扑的神经网络。

而已。它是Theano的替代品，但由 Google 开发。

在 TensorFlow 和 Theano 中，您都可以进行符号式编程。您以代数运算的形式定义您的神经网络（这些节点乘以这些权重，然后应用非线性变换，bla bla bla），其内部由图表示（在 TensorFlow 的情况下，但不是 Theano，您实际上可以查看以调试您的神经网络）。

然后，TensorFlow（或 Theano）提供优化算法，这些算法可以完成繁重的工作，确定哪些权重可以最小化您想要最小化的任何成本函数。如果您的神经网络旨在解决回归问题，您可能希望最小化预测值和真实值之间的平方差之和。TensorFlow 完成了区分成本函数等繁重工作。

编辑：忘了提到，当然，支持向量机可以被视为一种神经网络，所以很明显，您可以使用 TensorFlow 优化工具训练支持向量机。但是 TensorFlow 只带有基于梯度下降的优化器，除非你有大量的观察，否则用它来训练 SVM 有点愚蠢，因为有特定的 SVM 优化器不会陷入局部最小值。

此外，可能值得一提的是，TensorFlow 和 Theano 是相当低级的框架。大多数人使用构建在它们之上的框架，并且更易于使用。我不会在这里提出任何建议，因为那会产生它自己的讨论。请参阅此处有关易于使用的软件包的建议。

Ryan Zotti 提供了一个很好的答案，但这种情况正在改变。随着随机森林、梯度提升和贝叶斯方法的加入TensorFlow，它正朝着成为一站式解决方案的方向发展。这里列出了更多的传统算法。TensorFlow 具有特别的前景，因为它旨在很好地扩展并支持 GPU 操作。然而，scikit learn是传统的一站式商店，您可以在其中找到许多标准算法。它们通常不是最新最好的，因此您可能还需要专门的库。