深度学习工具

目前比较流程的深度学习工具主要有Caffe，Torch & Overfeat，MxNet，TensorFlow，Theano等。

Caffe

Caffe（快速特征植入的卷积神经网络），有伯克利视觉和学习中心开发的基于C++/CUDA/Python实现的卷积神经网络框架，提供了面向命令行、Matlab和Python的绑定接口。其前身为DeCAF，作者为贾杨清。

Caffe特性：

• 它实现了前馈卷积神经网络架构（CNN），而不是递归网络架构（RNN）。
• 它速度快，原因是利用了MKL、OpenBLAS、cuBLAS等计算库，支持GPU加速。
• 它适合做特征提取，实际上适合做二维图像数据的特征提取。
• 它完全开源，遵循BSD-2协议。
• 它提供了一整套工具集，可用于模型训练、预测、微调、发布、数据预处理，以及良好的自动测试。
• 它带有一系列参考模型和快速上手例程。
• 它在国内外有比较活跃的社区，有很多衍生吧项目，如Caffe for Windows、Caffe with OpenCL、NVIDIA DIGITS2、R_CNN等。
• Caffe代码组织良好，可读性强，通过掌握Caffe代码可以很容易学习其他框架。

综上，Caffe是深度学习初学者入门的首先。

Torch & OverFeat

Torch是一个出现较早的支持大部分机器学习算法的科学计算框架。目前已有四个版本，分别为Torch 1、Torch 3、Torch 5、Torch 7。Torch使用轻量脚本语言Lua及其C/CUDA扩展模块实现，底层数值计算通过高效的OpenMP/SSE/CUDA加速，同时具备灵活性和速度优势。得益于Lua的轻量接口，Torch可以很容易接入第三方软件。

Torch为机器学习提供了类似于Matlab的环境，目前纽约大学（NYU）、Facebook AI实验室和Google DeepMind Torch均使用该框架做深度学习研究。**Torch不仅支持CPU/GPU上运行，甚至支持嵌入式设备如iOS、Android、FPGA。
**
Torch完全开源，遵循BSD协议，主要内置8个包：

torch：主包，提供Tensors基本数据类型和操作、简单的序列化接口和其他基本功能。

lab & plot：提供标准的类似于Matlab的函数，用于创建、变换、打印Tensors。

qt – Qt和Lua的完全绑定，实现Torch 7 Tensors和QImage之间的透明转换，美观的图形界面非常适合快读开发交互式演示程序。

nn：提供了一组标准神经网络模块，以及一组容器模块，可用于定义任意有向（无环或有环）图。显示描述图结构，使用可插入模块，避免了复杂的图解析器，或者其他中间件编译器。

image：图像处理包，提供了所有标准图像处理函数（如载入/保存图像、缩放/旋转、色彩空间变换、卷积、高斯核等）。

optim：提供最陡下降法、共轭梯度法和有限内存下BFGS等优化算法包。

unsup：包括几个非监督学习算法，如K-means、稀疏编码、自动编码器。

third-party：进一步封装，增加便携的软件包。

MxNet

MxNet是一个面向效率和灵活性设计的深度学习框架，吸引了多种不同框架优点，加入了更多新的功能，如更加方便的多卡和多机分布式运行，目前MxNet比cxxnet块40%，而且GPU显存使用少了一半。

MxNet提供了两种编程接口：

N维数组接口，类似于Matlab或Python中的numpy.ndarray或torch.tensor。它独有的优势在于通过背后的engine可以在性能和内存使用上优于其他框架。

符号接口，可以快速构建一个神经网络，实现自动求导功能。

目前MxNet还在快速发展中，以后目标是更多的语言绑定（目前支持比较好的是Python，马上会有Julia和R）、更好的文档和更多的应用（语言建模、语音、机器翻译、视频）发展。

TensorFlow

Google在2011年推出人工深度学习系统——DistBelief。通过DistBelief，Google能够扫描数据中心数以千计的核心，并建立更大的神经网络。这个系统将Google应用中的语音识别率提高了25%，以及在Google Photos中建立了图片搜索，并驱动了Google的图片字幕匹配实验。DistBelief还存在不少不足和限制。它很难被设置，和Google内部的基础设施联系也过于紧密，这导致研究代码机会不可能分享。

针对以上问题，Google在2015年Google Research Blog宣布推出新一代人工智能学习系统——TensorFlow。

TensorFlow是一个异构分布式系统上的大规模机器学习框架，移植性好（小到移动设备如手机，大到大规模集群，都能支持），支持多种深度学习模型。根据Google说法，TensorFlow是综合的、灵活的、可移植的、易用的，更为关键的，它是开源的。同时，TensorFlow的速度相比前代DistBelief有了不小的提升，在一些跑分测试中，TensorFlow的得分是第一代系统的两倍。尽管如此，TensorFlow的效率仍然比不过其他大部分开源框架。不过，随着TensorFlow源码逐步开放，对新硬件、新设备、新的加速如cuDNN的支持力度不断提升，其成为目前极具潜力的深度学习。

Theano

Theano是由LISA开发的基于Python的深度学习框架，可以定义好数学表达式并高效地优化，求值。

Theano支持机器学习中的逻辑回归、多层感知器、深度卷积网络等监督学习方法，以及自编码器、降噪自编码器、限制玻尔兹曼机、深度置信网络等非监督/半监督学习方法，在国内外教育领域非常受欢迎。Thenao有个致命的短板，就是计算速度慢，虽然有GPU加速，但仍然不如其他框架高效，故只适合研究人员使用，不适合线上环境部署。

CNTK

CNTK是微软推出的开源深度学习框架，通过一系列步骤构成有向图来表达网络。

CNTK的优点是高性能、高灵活性、可扩展性好。CNTK支持CNN、LSTM、RNN等流行的网络结构，支持分布式训练。在纯CPU、单GPU、多GPU、多机多GPU硬件平台下都具有较高的性能。

CNTK支持双机8 GPU并行处理，而其他框架只支持单GPU或单机多GPU（TensorFlow、Torch 7 Caffe）。从单GPU对比性能来看，Theano是性能最低的，而CNTK、Torch、Caffe相差不大。单机4 GPU的性能对比结果显示了CNTK具有极高的效率。GitHub上也有对常见的深度学习框架卷积计算性能对比情况。

虽然CNTK有上述优点，但同时要看到微软对自家Windows支持不遗余力，导致CNTK对Windows平台支持最好，不推荐作为深度学习初学者入门工具，而是选择拥有更大的社区的Caffe。

参考文献： 深度学习-21天实战caffe