其實也沒有特別多,。主流的通用神經(jīng)網(wǎng)絡(luò)框架就TensorFlow,、Keras、PyTorch,、MXNet,、Caffe2這5個。

TensorFlow（Keras）

在業(yè)界使用最廣泛的是TensorFlow,，而且TensorFlow支持更多硬件,，包括Google自家強力的TPU。

然后,，Keras和TensorFlow其實可以算1個,。

Keras主要是提供了一個高層抽象的API，使得搭建神經(jīng)網(wǎng)絡(luò)更迅速快捷,。而`tf.contrib.keras`已經(jīng)集成了這一點,，也就是說，使用TensorFlow,，你一樣可以用Keras風格的API,，而無需使用獨立的Keras框架。而且使用`tf.contrib.keras`還有一個額外的好處,，就是當你發(fā)現(xiàn)Keras API不夠用,，需要對自己的模型進行特別定制的時候，可以馬上轉(zhuǎn)用TensorFlow.

當然,，理論上,，Keras除了TensorFlow之外，還可以用Theano作為底層,。但是現(xiàn)在Theano已經(jīng)停止維護了,。

PyTorch

PyTorch的優(yōu)勢是支持動態(tài)圖模型，也就是所謂的define-by-run,。

（圖片來源：PyTorch官網(wǎng)）

當然，TensorFlow也有eager executation,不過用了eager executation以后限制多多,，很多TensorFlow Graph的東西都不能用,。最近剛開源了Swift For TensorFlow，基于語法分析和代碼生成,，在保證性能的前提下,，支持動態(tài)模型。不過這個項目仍處于早期階段,。目前還不成熟,。

所以，目前階段,，如果你非常需要動態(tài)圖模型,，PyTorch是當前最成熟的define-by-run框架,。

Caffe2

同樣不支持動態(tài)圖模型。這個輕量級的模型更多地用于部署,，也就是用其他模型訓練,，然后在運用階段通過Caffe2部署，以節(jié)省資源,，特別是在移動端這樣的受限環(huán)境,。

MXNet

新版的MXNet也支持define-by-run了。不過這個框架相對而言,，用的人最少,。

注意，前面提到的幾個框架背后都是業(yè)界巨頭,，TensorFlow背后是Google,，PyTorch、Caff2背后是Facebook,。而MXNet雖然是由Microsoft和Amazon合作支持的,，但是已經(jīng)捐給Apache基金會了。如果對這方面有特別需求（不希望受制于某家大公司）,，那么MXNet算是最“開放”的,。