#诞生
1.2017年1月，Facebook人工智能研究院（FAIR）团队在GitHub上开源了pyTorch，并迅速占领GitHub热度榜榜首。
#常见深度学习框架简介
#Theano
1、Theano最初诞生于蒙特利尔大学LISA实验室，于2008年开始开发，是第一个有较大影响力的Python深度学习框架；Theano是一个Python库，可用于定义、优化和计算数学表达式，特别是多维数组(numpy.ndarray)，在解决包含大量数据的问题时，使用Theano编程可实现比手写C语句更快的速度，二通过GPU加速，Theano甚至比基于CPU计算的C语言快上好几个数量级；
2、不足：调试困难，构建图慢；
3、奠定：2017年9月28日发布"Theano is Dead"，退出历史舞台，但是奠定了深度学习框架的设计方向——以计算图为框架的核心，采用GPU加速计算。
#TensorFlow
1、2015年11月10日，Google宣布退出全新的机器学习开源工具TensorFlow，TensorFlow最初是由Google机器智能研究部门的Google Brain团队开发，基于Google 2011年开发的深度学习基础架构DistBelief构建起来的；
2、应用：机器学习和深度神经网络，是一个非常基础的系统，因此可以应用于众多领域；
3、不足：
过于复杂的系统设计，TensorFlow在GitHub代码仓库的总代码量超过100万行；
频繁变动的接口；
接口设计过于晦涩难懂；
文档混乱脱节；
4、点评：不完美但最流行的深度学习框架，社区强大，适合生产环境。
#Caffe/Caffe2
1、Caffe的全称Convolutional Architecture for Fast Feature Embedding，他是一个清晰、高效的深度学习框架，核心语言是C++，支持命令行、Python和MATLAB接口，可以在CPU上运行也可以在GPU上运行；
2、Caffe的优点是简介快捷，缺点是缺少灵活性，不同于Keras由于太多封装导致灵活性丧失，Caffe灵活性的缺失主要是因为它的设计；
3、Caffe的作者从加州伯克利分校毕业后加入了Google，参与过TensorFlow的开发，后来离开Google加入FAIR，担任工程主管，并开发了Caffe2；Caffe2是一个兼具表现力、速度和模块性的开源深度学习框架；设计追求轻量级，强调便携性；
4、点评：文档不够完善，但性能优异，几乎全平台支持(Caffe2)，适合生产环境。
#CNTK
1、2015年8月，微软公司在CodePlex上宣布由微软研究院开发的计算网络工具集CNTK将开源，5个月后，2016年1月25日，微软公司在他们的GitHub仓库上正式开源了CNTK；
2、CNTK性能比Caffe、Theano、TensorFlow等主流工具要强，CNTK支持CPU和GPU模式，和TensorFlow/Theano一样，它把神经网络描述成一个计算图的结构，叶子结点代表输入或者网络参数，其他结点代表计算步骤；
3、社区不够活跃，但是性能突出，擅长语音方面的相关研究。
#pytorch
简洁：pytorch的设计追求最少的封装，尽量避免重复造轮子，pytorch的设计遵循tensor->variable(autograd)->nn.Module三个由低到高的抽象层次，分别代表高维数组（张量）、自动求导（变量）和神经网络（层/模块），这三个抽象之间联系紧密，可以同时进行修改和操作；
速度：pytorch的灵活性不以速度为代价；
2018-10-04 21:59:38
易用：pytorch是所有框架中面向对象设计的最优雅的一个；
活跃的社区：pytorch提供了完成的文档，循序渐进的指南，作者亲自维护的论坛（https://discuss.pytorch.org/）供用户交流和求。
原文地址：https://www.cnblogs.com/monkeyT/p/9743587.html