原文：
www.kdnuggets.com/2017/02/python-deep-learning-frameworks-overview.html
由 Madison May， indico。
我最近发现了我在 Data Science Stack Exchange 上关于 “最佳 Python 神经网络库” 的一个旧回答，这让我意识到在过去 2.5 年里 Python 深度学习生态系统的巨大变化。我在 2014 年 7 月推荐的库 pylearn2 已不再积极开发或维护，但许多深度学习库已崛起取而代之。每个库都有其自身的优缺点。我们在 indico 的生产或开发中使用了大多数列表中的技术，但对于少数未使用的，我将借鉴他人的经验，以帮助提供 2017 年 Python 深度学习生态系统的清晰全面的图景。
特别是，我们将关注：
-
Theano
-
Lasagne
-
Blocks
-
TensorFlow
-
Keras
-
MXNet
-
PyTorch
描述：
Theano 是一个 Python 库，允许你高效地定义、优化和评估涉及多维数组的数学表达式。它支持 GPU 并执行高效的符号微分。
文档：
deeplearning.net/software/theano/
总结：
Theano 是驱动我们列表中许多其他深度学习框架的数值计算工具。它由 Frédéric Bastien 和蒙特利尔大学 MILA 实验室的优秀研究团队开发。它的 API 级别较低，为了编写有效的 Theano 代码，你需要非常熟悉在其他框架中隐藏的算法。如果你拥有丰富的学术机器学习专业知识，寻找对模型进行非常细粒度控制，或希望实现新颖或不寻常的模型，Theano 是首选库。一般来说，Theano 牺牲了易用性以换取灵活性。
优点：
-
灵活
-
如果正确使用则性能良好
缺点：
-
学习曲线较陡
-
更低级别的 API
-
编译复杂的符号图可能较慢
资源：
描述：
一个用于在 Theano 中构建和训练神经网络的轻量级库。
文档：
总结：
由于 Theano 主要旨在成为一个符号数学库，Lasagne 在 Theano 之上提供了更适合深度学习的抽象。它主要由 DeepMind 的研究科学家 Sander Dieleman 编写和维护。Lasagne 允许用户从Layer层面进行思考，提供像“Conv2DLayer”和“DropoutLayer”等构建块来进行操作，而无需在符号变量之间指定函数关系。Lasagne 在提供丰富的常见组件以帮助层定义、层初始化、模型正则化、模型监控和模型训练的同时，几乎没有牺牲灵活性。
优点：
-
仍然非常灵活
-
比 Theano 更高层次的抽象
-
文档和代码包含各种意大利面梗
缺点：
- 社区较小
资源：
描述：
一个用于构建和训练神经网络的 Theano 框架。
文档：
blocks.readthedocs.io/en/latest/
总结：
类似于 Lasagne，Blocks 试图在 Theano 之上添加一层抽象，以便比编写原始 Theano 代码更清晰、更简单、更标准化地定义深度学习模型。它由蒙特利尔大学的实验室 MILA 编写——这些人中有一些参与了 Theano 及其第一个高层接口 PyLearn2 的构建。它比 Lasagne 灵活一些，但有效使用的学习曲线稍微困难一些。Blocks 对递归神经网络架构有很好的支持，如果你对探索这类模型感兴趣，它值得一看。与 TensorFlow 并列，Blocks 是我们在 indico 生产环境中部署的许多 API 的首选库。
优点：
-
仍然非常灵活
-
比 Theano 更高层次的抽象
-
经过非常充分的测试
缺点：
-
学习曲线较陡
-
社区较小
资源：
描述：
一个使用数据流图进行数值计算的开源软件库。
文档：
www.tensorflow.org/api_docs/python/
摘要：
TensorFlow 是低级符号计算库（如 Theano）和高级网络规范库（如 Blocks 和 Lasagne）之间的混合体。尽管它是 Python 深度学习库中的最新成员，但由于得到 Google Brain 团队的支持，它可能已经拥有了最大的活跃社区。它支持在多个 GPU 上运行机器学习模型，提供高效的数据管道工具，并具有内置的模型检查、可视化和序列化模块。最近，TensorFlow 团队决定将对 Keras 的支持纳入其中，Keras 是我们列表中的下一个深度学习库。社区似乎一致认为，尽管 TensorFlow 存在不足之处，但其社区的庞大和项目的巨大势头意味着学习 TensorFlow 是一个安全的选择。因此，TensorFlow 是我们 indico 目前选择的深度学习库。
优点：
-
由软件巨头 Google 支持
-
社区非常庞大
-
网络训练的低级和高级接口
-
比基于 Theano 的选项编译模型速度更快
-
支持多 GPU 清洁操作
缺点：
-
在许多基准测试中最初较慢于基于 Theano 的选项，尽管 TensorFlow 正在赶上。
-
RNN 支持仍被 Theano 超越
资源：
描述：
Python 的深度学习库。卷积神经网络、递归神经网络等。可以在 Theano 或 TensorFlow 上运行。
文档：
摘要：
Keras 可能是所有库中最高层次、最用户友好的库。它由 Google Brain 团队的另一成员 Francis Chollet 编写和维护。它允许用户选择构建的模型是运行在 Theano 还是 TensorFlow 的符号图上。Keras 的用户界面受到 Torch 启发，因此如果你有 Lua 机器学习的经验，Keras 绝对值得一试。部分得益于优秀的文档和相对易用性，Keras 社区非常庞大且活跃。最近，TensorFlow 团队宣布计划内置 Keras 支持，因此 Keras 很快将成为 TensorFlow 项目的一个子集。
优点：
-
你可以选择 Theano 或 TensorFlow 后端
-
直观的高层接口
-
更易于学习
缺点：
- 比其他选项更不灵活，更具规定性
资源：
描述：
MXNet 是一个旨在兼顾效率和灵活性的深度学习框架。
文档：
mxnet.io/api/python/index.html#python-api-reference
总结：
MXNet 是亚马逊在深度学习中的首选库，可能是所有库中性能最优的。它具有类似 Theano 和 TensorFlow 的数据流图，提供对多 GPU 配置的良好支持，具有类似 Lasagne 和 Blocks 的高级模型构建模块，并且几乎可以在任何你能想到的硬件上运行（包括手机）。Python 支持只是冰山一角——MXNet 还提供了对 R、Julia、C++、Scala、Matlab 和 JavaScript 的接口。如果你在寻找无与伦比的性能，选择 MXNet，但你必须愿意处理一些 MXNet 的怪癖。
优点：
-
超快的基准测试
-
极其灵活
缺点：
-
最小的社区
-
比 Theano 的学习曲线更陡峭
资源：
描述：
Python 中具有强大 GPU 加速的张量和动态神经网络。
文档：
总结：
PyTorch 刚刚发布了一周多，它是我们 Python 深度学习框架列表中的新成员。它是 Lua 的 Torch 库在 Python 上的松散移植，并且值得注意的是，它由 Facebook 人工智能研究团队（FAIR）支持，并且 设计用于处理动态计算图 —— 这是 Theano、TensorFlow 和其衍生品所没有的特性。虽然 PyTorch 在 Python 深度学习生态系统中扮演什么角色尚不明朗，但所有迹象都表明，PyTorch 是我们列表中其他框架的一个非常可敬的替代品。
优点：
-
来自 Facebook 的组织支持
-
对动态图的清晰支持
-
高级和低级 API 的结合
缺点：
-
比其他选项成熟度低得多（用他们自己的话说——“我们处于早期发布的 Beta 阶段。期待一些冒险。”）
-
官方文档之外的参考/资源有限
资源：
简历：Madison May 是一位开发者、设计师和工程师，同时是 indico 数据解决方案 的首席技术官。
原文。转载已获许可。
相关：
-
深度学习、人工直觉与 AGI 的追求
-
深度学习为何与机器学习截然不同
-
深度学习是灵丹妙药吗？
1. Google 网络安全证书 - 快速开启网络安全职业生涯。
2. Google 数据分析专业证书 - 提升你的数据分析技能
3. Google IT 支持专业证书 - 支持组织的信息技术