我将概述有关库的一些要点，并指出我读过的一些很好的比较。GitHub 星数只是帮助比较受欢迎程度的另一个参考点。虽然我不容忍简单地追随大众，但这些明星确实可以帮助您了解许多其他人对框架的看法。

张量流

• 有很好的记录
• 扩展到生产，能够使用许多 GPU 或Google TPU
• 允许使用基本构建块灵活创建深度学习架构
• 由谷歌支持
• 有很多追随者——看看它在 GitHub 上收到了多少颗星！

作为参考，很棒的NumPy只有7059 颗星！

CNTK

• 越来越受欢迎（他们开始比谷歌晚一点）
• 对特定用例有非常有效的实现，例如在文本域中使用 CNN 和 LSTM
• 很好地链接到其他 Micosoft 产品，比如他们基于Azure的工具包
• 在生产中规模化
• 由微软支持
• 在 Github 上有很好的追随者：

西阿诺

虽然仍然是开源的（因此能够由社区进一步开发），但 Theano 背后的团队宣布他们将不再积极开发它。这意味着它现在可能会进一步落后于其他领先的框架，并且来自正在进行的研究的新功能不太可能进入库。

我们可以看到很多人都很欣赏 Theano，但考虑到它基本上是最古老的 DL 框架，star 数说明了一个故事：

附加点

查看一般深度学习框架的一些概述和比较，以更好地了解何时可以使用其中一个。以下是我发现有用的一些：

1. 比较顶级深度学习框架
2. 深度学习框架之战
3. 选择机器学习框架 - 有一个很好的结论

我建议阅读静态和动态计算图之间的区别。Tensorflow 例如构建和编译模型的静态图，然后推送数据。另一方面，PyTorch 允许您动态创建模型，从而在新架构的开发过程中提供更多自由。

一个常见的工作流程是使用 PyTorch 进行开发和研究，然后尝试在 Tensorflow 中编写最终的生产代码以进行部署。

最后一点 - 您应该了解 Keras 库。这是对基础库的封装，例如 Tensorflow、Theano 和 CNTK——未来可能会更多）。它比其他的更高级别且更易于使用，但在幕后它实际上只是使用您所询问的库之一。只需更改配置文件中的标志即可在它们之间进行交换！

为了完整起见，Keras GitHub 明星横幅：

[截至 2018 年 4 月的所有 gitHub 星数]

我意识到随着时间的推移，其中一些观点可能会变得过时和不真实。在这种情况下，请随时发表评论，我可以修改我的帖子。

以下是对 TensorFlow 的一些可能夸大的批评：

Tensorflow 很烂，Nico Jimenez，2017 年 10 月 8 日

这篇文章在Hacker News上进行了讨论。我强调了一些我觉得有趣的引述。首先，关于它的技术含量。

尽管有缺点，但我与本文有着相同的愿景。以下是我的理由：

• Tensorflow 有一个太大的 API 表面积：解析命令行参数处理、单元测试运行器、日志记录、帮助格式化字符串......其中大多数不如 python 中可用的对应物好。
• C++ 和 Go 版本与 Python 版本完全不同。有限的代码重用，不同的 API，没有以同样的注意力维护或记录。
• 源代码中的技术债务是巨大的。例如，安全分区 (_safe_div) 的源代码中有 3 个冗余实现，接口略有不同（有时使用默认参数，有时没有）。这是技术债。

在各个方面，它都让我想起了 Angular.io 项目。一个失败的承诺是真正的多语言，没有使用 python 的表达能力，一个超大的 API 试图做我们没有要求它做的事情，并且缺乏一个通用的声音架构。（由蝙蝠侠）

关于 TensorFlow 背后的哲学和政治的一些猜测：

我认为作者提出了一个关于谷歌嫉妒的好观点。TensorFlow 不是目前最直观或最灵活的库，如果您不进行大规模分布式训练，它就会过度设计。大家议论纷纷的主要原因是谷歌从一开始就大力推销它，每个人都自动假设谷歌== Virtuoso Software Design，因为他们无法通过面试。实际上，它只是现代企业软件，它有五种不同的方式来实施他们推动社区的批处理规范，因此他们不必培训新员工如何使用它。（由 zo7 提供）

或者它是由一家进行大规模分布式培训的公司构建的，他们开源它不是为了满足所有需求，而是为了帮助其他试图做同样事情的人。公司没有义务确保他们的开源非常适合其他用例。（通过DSL）

这有点像我的观点，它不是万能的深度学习库，因为它们是为自己的用例而制作的，但它的高人气（就像其他流行库的明星数量的 10 倍）并不是真正的。

我也非常怀疑谷歌开源它的主要原因是为了慈善。（由 zo7 提供）

选择 Tensorflow（恕我直言）的原因：

• 庞大的用户社区：对于您遇到的每个问题，都有 100 多个解决方案和示例代码。
• Keras：它使得在 Tensorflow 之上创建一些高级模型变得容易。
• 支持：每个人都知道 Tesnorflow 得到了 Google 的支持，并且他们会定期更新。除了 Theano 之外，其他一些框架也是如此。Mila（创建 Theano 的实验室）停止了这个项目。
• Tensorboard：它使您可以轻松地可视化模型的指标，并且可以直接使用。

鉴于这一切，我也非常喜欢 PyTorch。它使用起来简单自然，得到了一些大牌的支持，最重要的是，如果你使用过 Matlab 或 numpy，你会觉得使用它比 Tensorflow 更舒服。

Tensorflow 有更多的灵活性来做你想做的事情。如果你只是想训练一个标准的 CNN，那么也许 Theano 可以胜任。如果你想做更多有趣的事情，比如创建新架构、使用新的学习率计划或测试时间增加，Theano 限制太多。我还听说 Tensorflow 的性能更高一些，因此最好在生产环境中使用。